Recherche Approfondie : Une Étude Systématique

Deep Research: A Systematic Survey

November 24, 2025

papers.authors: Zhengliang Shi, Yiqun Chen, Haitao Li, Weiwei Sun, Shiyu Ni, Yougang Lyu, Run-Ze Fan, Bowen Jin, Yixuan Weng, Minjun Zhu, Qiujie Xie, Xinyu Guo, Qu Yang, Jiayi Wu, Jujia Zhao, Xiaqiang Tang, Xinbei Ma, Cunxiang Wang, Jiaxin Mao, Qingyao Ai, Jen-Tse Huang, Wenxuan Wang, Yue Zhang, Yiming Yang, Zhaopeng Tu, Zhaochun Ren

cs.AI

papers.abstract

Les grands modèles de langage (LLM) ont rapidement évolué, passant de générateurs de texte à de puissants solveurs de problèmes. Pourtant, de nombreuses tâches ouvertes exigent une pensée critique, des sources multiples et des résultats vérifiables, ce qui dépasse les capacités de l'incitation unique ou de la génération augmentée par récupération standard. Récemment, de nombreuses études ont exploré la Recherche Approfondie (Deep Research, DR), qui vise à combiner les capacités de raisonnement des LLM avec des outils externes, tels que les moteurs de recherche, permettant ainsi aux LLM d'agir comme des agents de recherche capables de réaliser des tâches complexes et ouvertes. Cette étude présente une vue d'ensemble complète et systématique des systèmes de recherche approfondie, incluant une feuille de route claire, des composants fondamentaux, des techniques de mise en œuvre pratiques, d'importants défis et des orientations futures. Plus précisément, nos principales contributions sont les suivantes : (i) nous formalisons une feuille de route en trois étapes et distinguons la recherche approfondie des paradigmes connexes ; (ii) nous présentons quatre composants clés : la planification des requêtes, l'acquisition d'informations, la gestion de la mémoire et la génération de réponses, chacun étant associé à des sous-taxonomies fines ; (iii) nous résumons les techniques d'optimisation, incluant l'incitation (prompting), le réglage fin supervisé et l'apprentissage par renforcement agentique ; et (iv) nous consolidons les critères d'évaluation et les défis ouverts, visant à guider et faciliter le développement futur. Alors que le domaine de la recherche approfondie continue d'évoluer rapidement, nous nous engageons à mettre à jour continuellement cette étude pour refléter les derniers progrès dans ce domaine.

English

Large language models (LLMs) have rapidly evolved from text generators into powerful problem solvers. Yet, many open tasks demand critical thinking, multi-source, and verifiable outputs, which are beyond single-shot prompting or standard retrieval-augmented generation. Recently, numerous studies have explored Deep Research (DR), which aims to combine the reasoning capabilities of LLMs with external tools, such as search engines, thereby empowering LLMs to act as research agents capable of completing complex, open-ended tasks. This survey presents a comprehensive and systematic overview of deep research systems, including a clear roadmap, foundational components, practical implementation techniques, important challenges, and future directions. Specifically, our main contributions are as follows: (i) we formalize a three-stage roadmap and distinguish deep research from related paradigms; (ii) we introduce four key components: query planning, information acquisition, memory management, and answer generation, each paired with fine-grained sub-taxonomies; (iii) we summarize optimization techniques, including prompting, supervised fine-tuning, and agentic reinforcement learning; and (iv) we consolidate evaluation criteria and open challenges, aiming to guide and facilitate future development. As the field of deep research continues to evolve rapidly, we are committed to continuously updating this survey to reflect the latest progress in this area.