[CL]《Enterprise Deep Research: Steerable Multi-Agent Deep Research for Enterprise Analytics》A Prabhakar, R Ram, Z Chen, S Savarese... [Salesforce AI Research] (2025)

Enterprise Deep Research (EDR)：多智能体自主深度研究助力企业分析新时代

随着信息爆炸式增长，企业亟需将海量非结构化数据转化为系统化、可执行的洞见。传统自主智能体虽展现潜力，但难以精准理解领域细节，且缺乏灵活的意图对齐和企业级集成能力。EDR应运而生，构建了一个可调控、多智能体协同的深度研究框架，核心创新包括：

1. 主控规划智能体：动态分解复杂查询，结合时间与知识背景，支持灵活重规划，确保研究任务精准执行。

2. 四大专业搜索智能体：覆盖通用网络、学术文献、GitHub代码库及LinkedIn专业资料，实现跨域高效检索。

3. 可扩展企业工具生态：支持文件分析、自然语言转SQL查询（NL2SQL）、数据可视化及企业系统插件（通过MCP协议），满足多样化业务场景需求。

4. 透明可控的任务管理：基于todo.md文件，实时展示研究计划与执行状态，用户可通过自然语言指令实时“舵控”研究方向，避免传统黑箱系统的盲目执行与重复调用。

5. 迭代反思机制：系统自动识别知识空白、任务偏差与质控风险，动态调整任务队列，推动研究持续深入，最终输出结构化、证据充分的报告。

性能亮点：

- 在DeepResearch Bench等开放性基准中，EDR超越主流深度研究系统，特别在指令遵循和可读性上表现突出，同时大幅降低计算资源消耗。

- 企业内部测试显示，EDR SQL生成准确率超95%，用户满意度达4.8/5，复杂分析任务洞见速度提升50%。

- 开放源代码和EDR-200研究轨迹数据集，推动多智能体推理应用的社区发展。

技术价值：

EDR通过“可调控上下文工程”实现人机协同，用户不仅能观察研究过程，更能即时调整研究路径，极大增强系统透明度和灵活性。这一设计为企业级深度研究带来革命性突破，兼顾了多源异构数据整合、长期规划与实时反馈，满足战略性高阶分析需求。

未来，EDR将重点提升输出事实性和引证质量，拓展预测性舵控机制，并深化与更多企业数据生态的集成，推动智能研究助手走向成熟。

完整论文链接：arxiv.org/abs/2510.17797

代码仓库：github.com/SalesforceAIResearch/enterprise-deep-research

数据集：huggingface.co/datasets/Salesforce/EDR-200

欢迎分享与探讨，共同迈向企业智能分析新纪元！