阿里Dingtalk-DeepResearch多智能体框架调研报告

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要

Dingtalk-DeepResearch 是阿里巴巴钉钉工业大脑团队推出的企业级统一多智能体智能框架，主要解决企业在深度研究、异构表格推理及多模态报告生成方面的需求。区别于传统的静态架构，该框架通过熵引导的记忆感知在线学习机制实现智能体的动态进化，结合DingAutoEvaluator自动化评估引擎，构建了“评估-反馈-优化”的闭环能力。目前，这一框架已应用于企业级文档智能工作流，并计划作为钉钉内置服务对外开放。本文基于官方论文（arXiv:2510.24760v1），详细解析其技术架构、算法原理、创新价值及其应用表现。

产品官方介绍

2.1 产品定位与核心目标

Dingtalk-DeepResearch 定位为企业级自适应智能框架，旨在应对企业数据来源多样（长文档、半结构化表格、知识图谱、多媒体）、查询需求复杂（跨域多跳推理、上下文关联）以及部署要求严格（隐私安全、业务流程集成）等问题，提供端到端的智能研究与决策支持。其目标是使AI从被动响应转向主动执行，成为企业员工的智能助手。

2.2 整体架构

该框架采用了三层架构设计，包括智能体编排、核心能力引擎和多模态数据支撑三个层面：

1. Agent Studio（智能体编排层）：提供专业智能体和可定制个人智能体。专业智能体适用于深度研究、表格处理、数据分析等核心场景；个人智能体允许用户根据自身业务需求自定义功能，实现个性化协作。
2. Core（核心能力层）：作为框架的“大脑”，集成了上下文压缩、推理规划、工具使用、长短期记忆、人类在环控制等功能模块，支持代码执行、网络搜索、多模态处理等能力，并能与钉钉生态系统紧密集成，如文件、消息、任务的关联，在获得授权的情况下安全访问企业私有数据。核心驱动部分采用经过CPT、SFT、RL多阶段训练的大规模语言模型。
3. Data Layer（数据支撑层）：作为统一的数据基础，包含知识图谱、Redis缓存、多模态数据库等，整合了企业业务数据、行业数据、个人工作数据及通用数据，实现了跨源数据的智能关联与检索。

该架构的优势在于其“模块化可扩展”性和“生态原生集成”特性，不仅支持单个智能体独立运作，还能通过多个智能体协同完成复杂任务，同时借助钉钉生态系统降低了企业的部署难度。

2.3 与主流框架的差异化定位

框架	核心优势	局限	Dingtalk-DeepResearch 差异化
OpenAI Deep Research	高效整合公共信息	私有数据集成能力弱，动态优化不足	安全接入企业私有数据，支持动态进化
Anthropic Claude Workbench	高度的安全性和可控性	缺乏自动化评估与闭环优化	DingAutoEvaluator 驱动的持续优化
Google Gemini Deep Research	强大的大规模公共数据处理能力	复杂表格处理和企业资源联动较弱	结构感知的表格推理，与钉钉业务流原生对接

核心算法原理介绍

3.1 多阶段文档强化学习（Documentary RL）

Dingtalk-DeepResearch 的算法体系围绕“自适应进化”与“多模态推理”两大核心构建，涵盖了四个关键技术模块，形成了从训练到部署的全链条技术支撑。以下是其五阶段训练流水线，旨在提高企业文档生成的准确性和结构化水平：

1. 文档奖励模型（Doc-RM）训练：基于80万个手工标注的正负样本对进行训练，这些样本涵盖了企业报告、合规文档等多个场景，评估指标包括事实准确性、语义覆盖率、逻辑结构和呈现清晰度，为后续的强化学习提供奖励基准。
2. 结构化格式SFT冷启动：在3200个精选样本上进行有监督微调，涉及Markdown演示文稿、复杂表格解析、多章节叙述和行业模板四种类型的结构化输出，确保生成的内容符合企业的格式标准。
3. 静态文档库RL：利用Doc-RM作为奖励函数，在跨行业的离线文档库上进行强化学习，优化内容覆盖度、事实正确性和逻辑连贯性，建立稳定的基础能力。
4. 实时文档RL：设计了10000个时间敏感型查询（例如金融新闻、政策更新），结合实时搜索和网页抓取数据进行训练，通过自定义的奖惩机制加强时间和信息的准确性。
5. 用户交互在线DPO：收集用户对模型输出的编辑和修改记录，构建偏好数据对，通过直接偏好优化（DPO）使模型能够适应用户的个性工作风格和需求。

3.2 熵引导的记忆检索在线学习

这一机制是框架实现“无需微调LLM即可进化”的关键所在，通过外部情境记忆库和熵引导策略平衡经验利用与探索：

• 记忆存储：将历史任务轨迹、成功案例和失败经验存储在外部记忆库中，每条记录都关联着一个Q值（任务适应度评分）和语义特征。
• 熵引导检索：针对当前任务，通过调整温度参数的概率分布从记忆库中选取案例——高Q值案例确保经验的有效利用，而通过熵值控制的随机抽样则鼓励探索多种解决方案，防止过拟合。
• 在线更新：随着新任务的完成，不断更新记忆库中的内容，确保智能体能够持续学习并适应新的挑战。

每次任务完成后，系统会自动将结果更新到记忆库，并重新训练检索策略，从而实现“越用越聪明”的自适应效果。此外，系统还会通过用户画像记忆来构建个性化能力。

3.3 结构感知的异构表格处理

为了满足企业在处理大量半结构化表格时的推理需求，我们设计了“解析-理解-推理-验证”四步流程，解决了传统模型在表格结构识别和语义关联上的不足：

数据摄入

保留表格的原始布局，构建层级化表示（包括表头、合并单元格、子表格关系）。同时，将表格存储在关系型数据库和文本知识库中，支持符号查询和向量检索双重能力。

结构解析

使用多模态检测器来区分表头和内容单元格，推断列类型（离散/连续/非结构化），识别嵌套子表格，并生成增强型 schema 标注。

语义理解

将用户的查询分解为文本和表格子查询，通过嵌入相似度和类型标注实现查询术语与数据库 schema 的精准对齐。

符号推理与验证

调用 NL2SQL 生成可执行语句，结合 DingAutoEvaluator 的反馈优化 schema 关联和复杂连接逻辑。通过 SQL 执行结果和文本检索证据的交叉验证，确保推理的准确性。

3.4 DingAutoEvaluator 自动化评估引擎

作为数据飞轮的核心驱动，DingAutoEvaluator 实现了“不确定性挖掘-多维度评估-闭环反馈”的自动化流程。其评估指标体系涵盖了 RAG、LLM、推理、智能体框架、知识库五个阶段，具体如下表所示：

评估阶段	核心指标	指标描述
RAG 检索阶段	上下文精度	评估检索内容与标准答案的相关性排序
RAG 检索阶段	上下文召回率	标准答案内容可追溯至检索上下文的比例
RAG 检索阶段	上下文相关性	检索内容与用户查询的语义关联度
RAG 检索阶段	上下文充分性	检索内容是否包含回答查询所需全部信息
RAG 检索阶段	知识冲突度	检测检索上下文中的事实矛盾与术语不一致
生成阶段	答案忠实度	生成内容与检索上下文的事实匹配度
生成阶段	答案相关性	生成内容与用户查询的语义契合度
生成阶段	语义相似度	与标准答案的语义匹配分数
智能体框架阶段	工具正确性	智能体选择工具与参数设置的准确性
智能体框架阶段	任务分解能力	复杂任务拆分为子任务的合理性与完整性

这些指标不仅用于离线评估，还作为实时流量监控信号，驱动模型与检索策略的持续优化。

四、关键创新点

相较于当前主流的 Deep Research 框架，Dingtalk-DeepResearch 的创新主要集中在“自适应进化能力”与“企业级落地保障”两大方面，形成了四大核心创新：

4.1 熵引导的轻量化在线进化机制

突破了传统框架依赖 LLM 微调实现能力升级的模式，通过“外部记忆库+熵引导检索”实现了轻量化进化。这种机制无需更新模型参数，仅通过记忆库迭代与检索策略优化即可提升推理性能，降低了企业在部署中的算力成本和迭代周期。实验结果显示，该机制使模型在跨领域任务中的适应速度提升了 5 倍，推理准确率提高了 18%。

4.2 DingAutoEvaluator 驱动的数据飞轮

构建了“不确定性案例挖掘-多维度评估-模型优化-效果验证”的闭环数据飞轮。通过模型不确定性监测，自动筛选出“灰色地带”输出（如低置信度推理结果），优先提交人工标注；利用多阶段评估指标生成细粒度反馈，分别用于 Doc-RM 优化、NL2SQL 微调与检索策略调整；优化后的模型与策略在实时流量中验证效果，形成持续迭代的良性循环。该飞轮使框架的事实错误率每月降低 22%，结构化输出合格率提升至 91%。

4.3 文档与表格的统一推理范式

解决了传统框架中文本生成与表格推理分离的问题，实现了两者的深度融合。通过结构感知表格处理模块，将表格数据转化为可解释的语义表示，与文本内容统一纳入推理流程，生成包含精准表格分析和自然语言解读的一体化报告。在企业供应链场景测试中，该范式使跨文本-表格的多跳推理准确率达到了 89%，远超传统模型的 62%。

4.4 钉钉生态原生的企业级部署能力

不同于通用研究框架，Dingtalk-DeepResearch 深度集成了钉钉生态能力。支持一键关联企业钉盘文件、聊天记录与审批流程，在企业权限体系下安全访问私有数据；提供符合企业办公习惯的输出格式（如钉钉文档、飞书表格兼容格式），并支持直接触发钉钉任务（如将分析结果同步至项目群），降低了用户的使用门槛。

五、性能表现与实验数据

论文基于 DeepResearch Bench（涵盖 22 个领域深度研究任务）和 ResearcherBench（科学研究能力评估）两大权威基准，将 Dingtalk-DeepResearch 与主流框架进行了对比，核心性能数据如下：

5.1 基准测试表现

DeepResearch Bench 得分：Dingtalk-DeepResearch 以 45.00 分位居第一，超过了 GPT-4o（44.64 分）、Gemini Deep Research（44.34 分）和 OpenAI Deep Research（43.44 分）。在金融报告生成、合规文档解析等企业场景中，其优势尤为明显。

ResearcherBench 覆盖度：框架的整体覆盖度达到 0.7032，超过了 Perplexity Deep Research（0.6929 分）和 Grok3 DeepSearch（0.6050 分），在数据密集型研究任务中表现出色。

企业场景实测效果

应用场景

核心指标	Dingtalk-DeepResearch	传统方案	提升效果
制造业供应链分析 - 表格推理准确率	89%	62%	+27%
企业财务报告生成 - 事实准确率	94%	78%	+16%
超市销售预测（Kaggle任务） - RMSLE	0.3944	0.4626	-14.7%
多模态报告生成 - 生成效率	20分钟/份	2小时/份	+83.3%

结论与展望

核心结论

Dingtalk-DeepResearch利用“三层架构+四大核心技术”设计了一个专为企业环境定制的多智能体框架，有效解决了通用框架在私有数据整合、结构化输出及动态优化方面的局限性；其核心技术包括熵引导在线学习和DingAutoEvaluator数据循环机制，这些技术确保了系统的“轻量级进化”和“持续优化”，满足了企业的实际需求；在权威基准测试和实际企业应用中，该框架的表现超越了市场上的主要竞争对手，特别是在表格推理和文档-表格结合任务上表现出色，具有很高的实用价值。

未来展望

技术方向：计划进一步加强多模态融合能力，例如图像化报表的理解，提高多智能体之间的协作效率，以及改善长期任务的记忆管理。

生态扩展：将开放Agent Studio的自定义接口，允许企业开发特定行业的智能体，促进第三方开发者生态系统的建设。

场景深化：专注于金融、制造和零售等关键行业，开发针对性的解决方案，整合行业知识库和合规性规则。

参考文献

[1] 工业大脑团队，钉钉，阿里巴巴集团. 钉钉-DeepResearch: 企业环境中适应性智能的统一多智能体框架. arXiv:2510.24760v1 [cs.CL], 2025.

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Research Researc search DING Talk