深度解析 Claude Deep Research 编排架构

调用一次 Claude 的 /deep-research 模式可能会消耗高达 657 万个 Token。如果将其转化为数据中心的能源消耗，这大约相当于一盏台灯连续亮好几天的能量。这不仅仅是一次简单的对话，而是一个庞大的、协同的计算工程。

最近，我利用该工具解决一个复杂的系统设计问题——如何防止本地 10B MoE（混合专家）模型在评估医疗转录文本时产生引用幻觉。通过重建 .jsonl 追踪日志和本地的 .js 编排文件，我发现了一个令人着迷的架构：一个用于对抗性验证的确定性 Map-Reduce 流水线。

技术血统：从自动找 Bug 到深度研究

在编排脚本的第 9 行，有一行注释揭示了它的前世今生： // Ported from bughunter architecture. WebSearch/WebFetch instead of git/grep.

这是一个关键的发现。该系统并非基于创意写作框架构建，而是从自动化 Bug 猎人（Bug-hunter）循环移植而来的。在 Bug 探测中，你会生成一个失败假设，然后针对代码库进行对抗性测试以证伪该假设。Claude 的 Deep Research 延续了这种对抗逻辑：针对用户的查询生成假设，然后通过抓取的证据系统性地尝试“杀死”这些假设。

为了构建类似的高可靠性系统，开发者通常会选择 n1n.ai，它提供了统一的 API 接入，允许在同一个框架内编排多种模型——例如使用 Claude 3.5 进行推理，使用 GPT-4o 进行验证。

软件框架：对模型的严格约束

在 LLM 领域，“框架（Harness）”是指一个受控环境，它将模型限制在特定的、类型化的任务中。该编排器定义了五个主要原语：

1. SCOPE（范围设定）：将根问题分解为多个子任务。
2. SEARCH（搜索）：执行有针对性的网络查询。
3. EXTRACT（提取）：从源中提取特定的主张和逐字引用的原文。
4. VERDICT（裁决）：由对抗性小组对主张的有效性进行投票。
5. REPORT（报告）：将经过验证的证据汇总成最终回复。

该流水线中的每一次 LLM 调用都被强制要求输出结构化的 JSON。这防止了“模型漂移”，即 AI 在自由格式的文本中开始幻觉或偏离主题。编排机制在工具调用层面强制执行了严格的 Schema。

研究策略：作为治理手段的常量

系统的大部分行为由文件顶部的四个硬编码常量控制：

const VOTES_PER_CLAIM = 3 // 每个主张的投票数
const REFUTATIONS_REQUIRED = 2 // 否决所需票数
const MAX_FETCH = 15 // 最大抓取源数量
const MAX_VERIFY_CLAIMS = 25 // 最大验证主张数

这些变量代表了“判断策略”。如果你需要一个更严谨的研究者，可以增加 VOTES_PER_CLAIM。如果你预算有限，可以降低 MAX_FETCH。通过使用 n1n.ai，开发者可以实现这种逻辑，将流水线的不同阶段路由到性价比最高的模型，同时保持高速吞吐。

执行步骤详解：医疗转录案例分析

在我的测试案例中，问题是如何解决 10B MoE 模型的引用幻觉。该模型虽然能找到引用，但其中 41% 的引用实际上并不支持评价标准。

1. Scope 阶段（任务分解）

编排器将这个模糊的问题拆解为五个具体的研究方向：

• 选择时技术（Selection-time techniques）：将引用逻辑前置到生成阶段。
• NLI / Cross-encoder 分类器：使用专门的模型进行证据相关性验证。
• 归因评估基准：研究 ALCE、RARR、AIS 等归因系统。
• UX 降级方案：如何诚实地向用户展示弱证据或缺失证据。
• 怀疑论视角：分析为什么小规模 LLM 的自我验证通常会失败。

2. Fetch & Extract 阶段（抓取与提取）

系统对这些方向执行了 Map 操作。对于找到的每个页面，提取器会寻找具体的“主张（Claim）”。Schema 要求每个主张必须附带逐字引用的原文：

{
  "claim": "在标注匮乏的医疗领域，Cross-encoders 的表现优于 LLM 自我修正。",
  "quote": "仅仅切换更强大的模型并不能显著提高...",
  "importance": "central"
}

如果没有找到相关主张，该页面会被立即丢弃。这确保了后续的 Reduce 阶段只处理高信号数据。

3. Triage 排序与分流

由于 MAX_VERIFY_CLAIMS 限制为 25，系统无法验证所有内容。它使用了纯代码编写的排序逻辑：

1. 重要性：核心 (Central) > 支持 (Supporting) > 边缘 (Tangential)。
2. 来源质量：原始 PDF > 二手资料 > 博客 > 论坛。

这种分流是由 JavaScript 运行时而非 LLM 处理的，确保了最关键的证据能优先进入昂贵的验证环节。

4. 对抗性验证（Verdict 阶段）

这是该架构中最令人印象深刻的部分。前 25 个主张中的每一个都会被发送给三个独立的 Agent。它们的提示词是一个对抗性清单：检查是否存在断章取义、数据偏倚或过度推断。指令明确要求：“如果不确定，默认设为 refuted=true（已否决）。”

在我的运行中，一个关于 GPT-3.5 精度的某些主张被以 2-1 的投票结果否决。原因是验证 Agent 发现原始论文仅报告了 Macro-F1 指数，而该指数可以通过调整阈值来刷高，因此“0.85 精度”的主张被视为过度推断。

构建你自己的研究框架

要实现这种级别的可靠性，不能仅仅依赖单个 Prompt。你需要一个能够管理状态和预算的流水线。利用 n1n.ai 提供的低延迟基础设施，你可以构建一个 Map-Reduce 智能体流：使用 Claude 3.5 Sonnet 进行初始的 SCOPE 和 EXTRACT 阶段，并使用 DeepSeek-V3 等高速模型进行 VERDICT 投票环节。

开发者专业建议

• 数据清洗：Claude 编排器使用正则表达式过滤抓取内容中的 ANSI 转义序列和 IDN 同形异义词。永远不要信任进入 LLM 上下文的外部数据。
• 引用优先选择：正如研究所发现的，防止幻觉的最佳方法是强制模型在撰写主张 之前 先选择引用原文。
• 证据预算：为阅读的来源数量设置硬性上限。高质量的研究在于过滤，而不仅仅是收集。

通过将 LLM 研究视为一个软件工程问题而非提示词工程问题，我们可以实现以前在小规模模型上无法达到的精度水平（0.85+）。

在 n1n.ai 获取免费 API 密钥。