ETF Agent的Deep Research工程实践
ETF Agent开发者称，他们在现有Native Research Loop内实现Deep Research，而非另建一套智能体，并加入资源授权、运行时交付指导、版本修订与恢复机制。Standard/Deep配对实验显示，两种模式都能执行研究并正式交付，但调用更少并不总能带来更好的准确性、速度或成本。开发者明确表示，这项工程实现并非当前公开版Open ETF Agent的功能，相关结论主要来自厂商自述。
该报告展示了如何在既有智能体运行时中加入深度研究模式，同时也如实说明，增加资源并不会自动改善金融研究质量。
Deep Research：从资源升级到研究交付，我们怎么实现，又测出了什么？
普通的投研问答可能只需核对一只基金的费率；另一类问题却要求穿透组合、读取跨期报告、处理修订版本、让不同研究分支协作，最后给出一份连贯的结论。这两类任务都叫 Research，但对资源和交付节奏的要求不一样。
在 ETF Agent 中，我们没有为后一类任务重新搭建一套 Agent。做法是让同一个 Native Research Loop获得经过授权的更高资源档位，再根据当前实际生效的研究模式调整交付指导：研究过程中持续反馈进度，已有独立依据的部分允许先交付，关键结论则更倾向于在完成证据比较后组织成文。
这篇文章先看业界如何处理长研究，再回答 ETF Agent 的三个问题：为什么原有 Research 不够；Deep 在代码与运行时究竟改变了什么；真实 Standard/Deep 配对运行交出了什么结果。这里所述的 Deep 实现依据 ETF Agent 工程仓，不把它冒称为当前公开版 Open ETF Agent 已经具备的功能。
#ETF Agent#Open ETF Agent#ETF Agent Deep Research#ETF Agent Native Research Loop