U posljednjih nekoliko godina umjetna inteligencija je postala ključni alat u akademskom i profesionalnom okruženju. Veliki jezični modeli omogućuju planiranje, pretraživanje i sastavljanje sadržaja, ali većina današnjih istraživačkih agenata – često nazvanih Deep Research (DR) agenti – ne odražava stvarni radni proces znanstvenika. Oni se oslanjaju na razdvojene funkcije poput rezoniranja, pretraživanja i generiranja, bez integriranog iterativnog ciklusa koji je karakterističan za stvaranje kvalitetnog izvještaja. Rezultat je često fragmentiran ili nedovršen rad.
Zašto postojeći istraživački agenti ne zadovoljavaju potrebe
Trenutni DR sustavi uglavnom koriste tehnike poput lančanja razmišljanja ili odabira najboljeg odgovora iz više kandidata. Iako se time postižu impresivni metrički rezultati, zanemaruju ključnu ljudsku naviku – ponovnu reviziju i usavršavanje nacrta nakon svakog kolekcijskog ciklusa informacija. Taj ciklus – skica, pretraživanje, revizija, ponovljeno – omogućuje istraživačima da produbljuju argumente i ispravljaju praznine. Bez njega agenti mogu proizvesti sadržaj koji nedostaje dubine ili dosljednosti.
TTD‑DR – novi pristup istraživanju
Test‑Time Diffusion Deep Researcher (TTD‑DR) redefinira DR paradigma tako da prvi nacrt agenta bude „šumovit“ početni korak, slično početku difuzijskog procesa. Svaki sljedeći korak uključuje motor pretraživanja koji djeluje kao „čistač šuma“, unoseći nove činjenice koje poliraju nacrt. Proces se nastavlja sve dok agent sam ne utvrdi da izvještaj više ne zahtijeva značajne promjene. TTD‑DR time vrlo blisko oponaša način na koji ljudi iterativno rade na vlastitim radovima.
Kako TTD‑DR radi – ključni elementi
- Generiranje istraživačkog plana: Po primanju korisničkog upita, agent izradi strukturirani plan koji naglašava ključne teme koje bi trebale biti uključene u konačni izvještaj.
- Iterativno pretraživanje: Ovaj korak se dijeli na dva podagenta: 1) generator upita koji formulira pretraživačke upite na temelju plana i prethodnih iteracija, i 2) modul odgovora koji pretražuje relevantne dokumente i generira sažetke u stilu RAG (retrieval‑augmented generation).
- Generiranje konačnog izvještaja: Nakon što se ciklus završi, sinteza engine kombinira sve dobivene informacije u koherentan i temeljit dokument.
Ovaj pristup osigurava da svaki novi podatak bude pažljivo integriran, a da se izbjegne ponavljanje ili kontradikcije. Agent samostalno odlučuje kada je dodatna revizija nepotrebna, čime se smanjuje potreba za ljudskom intervencijom.
Prednosti TTD‑DR u praksi
TTD‑DR omogućava istraživačima da rade efikasnije i efektivnije, smanjujući potrebu za ljudskom intervencijom. Time se smanjuje vremenski i materijalni udio potrošen u istraživanju, što omogućava istraživačima da se usredotoče na važnije aspekte istraživanja. TTD‑DR također omogućava istraživačima da proizvedu kvalitetnije izvještaje, koji su važni za razvoj znanja i napredak u različitim poljima.
Uzeti u obzir
TTD‑DR nije samo alat za ist