پیداکردن پاسخ یک سؤال ساده معمولاً با یک جست‌وجوی کوتاه امکان‌پذیر است؛ اما تحقیق درباره بازار، مقایسه چند محصول، بررسی یک فناوری، تحلیل رقبا یا تهیه گزارش مدیریتی به زمان و منابع بیشتری نیاز دارد.

در چنین تحقیق‌هایی باید چندین جست‌وجو انجام دهید، منابع مختلف را بخوانید، اطلاعات تکراری را کنار بگذارید، ادعاهای متناقض را مقایسه کنید و در نهایت یک گزارش منسجم بنویسید.

Deep Research یا «تحقیق عمیق» قابلیتی مبتنی بر هوش مصنوعی است که بخش بزرگی از این فرایند چندمرحله‌ای را انجام می‌دهد. برخلاف یک چت معمولی که بلافاصله پاسخ تولید می‌کند، سامانه Deep Research ابتدا مسئله را تحلیل می‌کند، برای تحقیق برنامه می‌سازد، چندین منبع را بررسی می‌کند و سپس گزارشی همراه با استناد ارائه می‌دهد.

Deep Research می‌تواند سرعت تحقیق را افزایش دهد؛ اما جایگزین کامل پژوهشگر، متخصص موضوع یا بررسی منابع اصلی نیست. کیفیت نتیجه به تعریف مسئله، منابع قابل‌دسترسی، مدل مورد استفاده و روش اعتبارسنجی گزارش بستگی دارد.

Deep Research چیست؟

Deep Research نوعی گردش کار عامل‌محور یا Agentic Workflow است که برای انجام تحقیقات پیچیده و چندمرحله‌ای طراحی شده است.

یک سامانه تحقیق عمیق معمولاً می‌تواند:

• هدف تحقیق را تحلیل کند.
• سؤال اصلی را به چند زیرسؤال تقسیم کند.
• برای یافتن اطلاعات، جست‌وجوهای متعددی انجام دهد.
• صفحات وب، فایل‌ها و اسناد را بخواند.
• منابع مرتبط و نامرتبط را تشخیص دهد.
• اطلاعات چند منبع را با یکدیگر مقایسه کند.
• تناقض‌ها و شکاف‌های اطلاعاتی را پیدا کند.
• جست‌وجوهای خود را براساس یافته‌های جدید اصلاح کند.
• گزارش نهایی را با لینک یا Citation منابع بنویسد.

بنابراین Deep Research فقط یک پاسخ طولانی نیست. تفاوت اصلی آن در فرایندی است که پیش از تولید پاسخ طی می‌شود.

Deep Research چگونه کار می‌کند؟

جزئیات پیاده‌سازی در سرویس‌های مختلف متفاوت است، اما فرایند عمومی تحقیق عمیق را می‌توان در چند مرحله توضیح داد.

مرحله اول: درک هدف کاربر

سامانه ابتدا باید مشخص کند کاربر دقیقاً چه نتیجه‌ای می‌خواهد.

برای مثال، این درخواست بسیار کلی است:

بازار چت‌بات را بررسی کن.

اما درخواست زیر اطلاعات بیشتری در اختیار سیستم قرار می‌دهد:

بازار چت‌بات‌های پشتیبانی مشتری در ایران را برای یک استارتاپ نرم‌افزاری بررسی کن. گزارش باید شامل مشتریان هدف، کاربردها، مدل درآمدی، رقبا، موانع ورود، روش قیمت‌گذاری و فرصت‌های سه سال آینده باشد. منابع جدیدتر در اولویت باشند و میان واقعیت، ادعا و تخمین تفاوت مشخص شود.

در بعضی سامانه‌ها، یک مدل اولیه پیش از شروع تحقیق سؤال‌های تکمیلی می‌پرسد تا هدف، مخاطب، محدوده زمانی و قالب خروجی روشن شوند.

مرحله دوم: ساخت برنامه تحقیق

پس از مشخص‌شدن هدف، سامانه یک Research Plan می‌سازد.

برای نمونه، برنامه تحقیق بازار چت‌بات ممکن است شامل این بخش‌ها باشد:

1. تعریف بازار و دسته‌بندی محصولات
2. شناسایی صنایع دارای بیشترین کاربرد
3. بررسی شرکت‌های فعال
4. تحلیل قیمت‌گذاری
5. بررسی شرایط بازار ایران
6. شناسایی محدودیت‌های فنی و تجاری
7. تحلیل فرصت‌ها و تهدیدها
8. تهیه نتیجه‌گیری و پیشنهاد اجرایی

داشتن برنامه باعث می‌شود تحقیق از مسیر اصلی خارج نشود و بخش‌های مهم فراموش نشوند.

مرحله سوم: جست‌وجوی چندمرحله‌ای

سامانه برای هر بخش چند عبارت جست‌وجو می‌سازد. اگر نتیجه کافی نباشد، عبارت‌ها را تغییر می‌دهد یا سؤال دقیق‌تری مطرح می‌کند.

برای مثال، یک مسیر جست‌وجو می‌تواند چنین باشد:

• بازار جهانی چت‌بات پشتیبانی مشتری
• کاربرد چت‌بات در فروشگاه اینترنتی
• قیمت نرم‌افزارهای پشتیبانی هوشمند
• بازار نرم‌افزار پشتیبانی مشتری در ایران
• هزینه API مدل زبانی برای چت‌بات
• موانع استفاده شرکت‌های ایرانی از سرویس‌های خارجی

این رفتار تکرارشونده یکی از تفاوت‌های Deep Research با جست‌وجوی معمولی است.

مرحله چهارم: خواندن و ارزیابی منابع

پیداکردن یک صفحه به معنی معتبر بودن آن نیست. سامانه باید تا حد امکان مواردی مانند ارتباط منبع با سؤال، تاریخ انتشار، اعتبار ناشر و وجود شواهد را ارزیابی کند.

منابع ممکن است شامل این موارد باشند:

• مستندات رسمی
• مقاله پژوهشی
• گزارش بازار
• وب‌سایت شرکت‌ها
• صفحه قیمت محصول
• اسناد دولتی
• فایل PDF
• گزارش مالی
• پایگاه داده
• اسناد داخلی سازمان

مدل‌های هوش مصنوعی در تشخیص اعتبار منابع بدون خطا نیستند. به همین دلیل، منابع اصلی و ادعاهای مهم باید توسط کاربر بررسی شوند.

مرحله پنجم: ترکیب یافته‌ها

پس از جمع‌آوری اطلاعات، سامانه باید میان منابع ارتباط ایجاد کند. این مرحله فقط خلاصه‌کردن جداگانه هر صفحه نیست.

مدل باید بتواند:

• نکات مشترک را استخراج کند.
• اختلاف میان منابع را نشان دهد.
• اطلاعات قدیمی را از داده‌های جدید جدا کند.
• ادعا را از واقعیت قابل‌بررسی تفکیک کند.
• بخش‌های بدون شواهد کافی را مشخص کند.
• نتیجه را متناسب با هدف کاربر بنویسد.

مرحله ششم: تولید گزارش مستند

خروجی مناسب Deep Research باید دارای ساختار روشن و منابع قابل بررسی باشد.

یک گزارش حرفه‌ای می‌تواند شامل این بخش‌ها باشد:

• خلاصه مدیریتی
• روش تحقیق
• یافته‌های اصلی
• تحلیل هر بخش
• جدول مقایسه
• تناقض‌ها و محدودیت‌ها
• پیشنهادهای اجرایی
• منابع
• تاریخ انجام تحقیق

وجود Citation به این معنی نیست که تمام نتیجه صحیح است. باید بررسی شود که هر منبع واقعاً از ادعای کنار آن پشتیبانی می‌کند.

تفاوت Deep Research با چت معمولی چیست؟

برای پیدا کردن یک تعریف ساده، Deep Research ممکن است کند و پرهزینه باشد. این قابلیت زمانی ارزش بیشتری دارد که پاسخ به جمع‌آوری و تحلیل چند منبع نیاز داشته باشد.

تفاوت Deep Research با جست‌وجوی گوگل چیست؟

جست‌وجوی معمولی فهرستی از صفحات مرتبط را نمایش می‌دهد و مسئولیت خواندن، مقایسه و ترکیب اطلاعات بر عهده کاربر است.

Deep Research تلاش می‌کند این مراحل را نیز انجام دهد:

• عبارت‌های جست‌وجوی مختلف بسازد.
• چندین نتیجه را باز کند.
• قسمت‌های مرتبط را استخراج کند.
• یافته‌ها را دسته‌بندی کند.
• گزارش نهایی بنویسد.

بااین‌حال، این قابلیت نباید کاربر را از منابع اصلی جدا کند. مزیت گزارش مستند این است که بتوانید با بازکردن لینک‌ها، اطلاعات مهم را شخصاً بررسی کنید.

Deep Research در چه سرویس‌هایی وجود دارد؟

قابلیت‌های تحقیق عمیق در چند محصول و API هوش مصنوعی ارائه شده‌اند. نام، محدودیت، مدل، قیمت و دسترسی منطقه‌ای این قابلیت‌ها ممکن است تغییر کند.

Deep Research در ChatGPT

براساس مستندات رسمی OpenAI برای Deep Research API، مدل‌های تحقیق عمیق می‌توانند از Web Search، File Search، پایگاه‌های برداری، Remote MCP و ابزار تحلیل کد برای تهیه گزارش استفاده کنند.

در نسخه محصولی ChatGPT نیز فرایند تحقیق می‌تواند شامل تعیین منابع، ساخت برنامه، اجرای تحقیق و تولید گزارش دارای Citation باشد.

دسترسی به قابلیت‌ها و تعداد دفعات استفاده به نوع حساب، پلن و شرایط منطقه‌ای وابسته است. پیش از انتخاب سرویس باید وضعیت فعلی را در صفحه رسمی آن بررسی کنید.

Deep Research در Gemini

Gemini Deep Research سؤال را به بخش‌های کوچک‌تر تقسیم می‌کند، منابع وب و در صورت انتخاب کاربر، بعضی منابع Workspace را بررسی می‌کند و نتیجه را به شکل گزارش ارائه می‌دهد.

گوگل همچنین یک Deep Research Agent برای توسعه‌دهندگان معرفی کرده است که برای اجرای وظایف پژوهشی چندمرحله‌ای و غیرهم‌زمان طراحی شده است. وضعیت Preview، محدودیت API و دسترسی منطقه‌ای باید پیش از استفاده بررسی شود.

Deep Research در Perplexity

Perplexity مدل‌ها و APIهای جست‌وجومحور برای پاسخ‌های مستند ارائه می‌کند. مدل‌های Research آن برای جست‌وجوی گسترده، ترکیب منابع و تولید گزارش‌های تفصیلی طراحی شده‌اند.

دسترسی مستقیم کاربران ایرانی به هر سرویس خارجی ممکن است تحت تأثیر محدودیت‌های منطقه‌ای، روش پرداخت یا تغییر سیاست سرویس قرار گیرد. بنابراین نباید فرایند حیاتی یک کسب‌وکار را بدون بررسی دسترسی و مسیر جایگزین، فقط به یک محصول خارجی وابسته کرد.

Deep Research برای چه کارهایی مناسب است؟

تحلیل بازار

می‌توانید اندازه تقریبی بازار، گروه‌های مشتری، رقبا، مدل‌های درآمدی، روندها و موانع ورود را بررسی کنید.

برای بازار ایران باید از سامانه بخواهید منابع فارسی و شرایط محلی را نیز تحلیل کند؛ زیرا گزارش‌های بین‌المللی لزوماً وضعیت پرداخت، قیمت، مقررات و رفتار مشتری ایرانی را نشان نمی‌دهند.

بررسی رقبا

تحقیق عمیق می‌تواند اطلاعات عمومی رقبا را از منابع مختلف جمع‌آوری کند:

• محصولات و خدمات
• قیمت‌گذاری عمومی
• بازار هدف
• ویژگی‌های محصول
• محتوای منتشرشده
• موقعیت برند
• نقاط تمایز ادعایی
• همکاری‌ها و اخبار رسمی

گزارش نباید اطلاعات تأییدنشده را به‌عنوان واقعیت قطعی ارائه کند.

تحقیق دانشگاهی

Deep Research می‌تواند برای یافتن مقاله‌ها، ساخت نقشه اولیه منابع، مقایسه دیدگاه‌ها و استخراج پرسش‌های پژوهشی استفاده شود.

اما نباید:

• منبع جعلی را وارد پایان‌نامه کرد.
• متن تولیدی را بدون مطالعه منابع استفاده کرد.
• به خلاصه مدل به‌جای مقاله اصلی استناد کرد.
• نتیجه هوش مصنوعی را جایگزین تحلیل پژوهشگر دانست.

در تحقیق دانشگاهی، منبع اصلی باید خوانده شود و شیوه استناد با استاندارد دانشگاه هماهنگ باشد.

انتخاب محصول یا فناوری

برای انتخاب سرور، نرم‌افزار سازمانی، فریم‌ورک، پایگاه داده یا مدل هوش مصنوعی می‌توان معیارهای تصمیم‌گیری را تعریف و گزینه‌ها را مقایسه کرد.

بهتر است اطلاعاتی مانند قیمت، نسخه محصول و مشخصات فنی از مستندات رسمی بررسی شوند؛ زیرا این موارد به‌سرعت تغییر می‌کنند.

Due Diligence اولیه

تیم سرمایه‌گذاری می‌تواند برای شناخت اولیه شرکت، بازار، بنیان‌گذاران، رقبا و ریسک‌های عمومی از Deep Research استفاده کند.

این گزارش جایگزین بررسی حقوقی، مالی، فنی یا تماس با منابع مستقل نیست. اطلاعات مالی و ادعاهای شرکت باید با اسناد معتبر ارزیابی شوند.

تهیه گزارش مدیریتی

کسب‌وکارها می‌توانند داده‌های عمومی را با اسناد داخلی خود ترکیب و گزارش‌هایی مانند موارد زیر تهیه کنند:

• تحلیل روند صنعت
• بررسی رضایت مشتری
• گزارش رقبا
• جمع‌بندی تیکت‌های پشتیبانی
• تحلیل بازخورد محصول
• شناسایی فرصت‌های فروش
• گزارش تغییرات فناوری

در این سناریو باید کنترل دسترسی و نحوه ارسال داده‌های داخلی به سرویس‌های خارجی مشخص باشد.

چه زمانی از Deep Research استفاده نکنیم؟

تحقیق عمیق برای تمام درخواست‌ها مناسب نیست.

برای موارد زیر یک جست‌وجو یا چت ساده معمولاً کافی است:

• معنی یک اصطلاح
• پاسخ کوتاه به یک سؤال عمومی
• اصلاح نگارشی یک متن
• ترجمه یک جمله
• محاسبه ساده
• ایده‌پردازی اولیه
• خلاصه‌سازی یک متن کوتاه
• اطلاعاتی که یک منبع رسمی واحد دارد

همچنین Deep Research نباید تنها مبنای تصمیم‌های حساس پزشکی، حقوقی، مالی یا سرمایه‌گذاری قرار گیرد. در چنین مواردی باید منابع رسمی و متخصص دارای صلاحیت نیز بررسی شوند.

چگونه یک پرامپت مناسب برای Deep Research بنویسیم؟

پرامپت تحقیق عمیق باید اطلاعات کافی برای ساخت یک برنامه دقیق ارائه کند.

موضوع را دقیق تعریف کنید

به‌جای این درخواست:

درباره بازار هوش مصنوعی تحقیق کن.

بنویسید:

بازار API هوش مصنوعی در ایران را با تمرکز بر نیاز شرکت‌های نرم‌افزاری، فروشگاه‌های اینترنتی و استارتاپ‌های SaaS بررسی کن.

هدف تصمیم‌گیری را توضیح دهید

سامانه باید بداند گزارش برای چه تصمیمی نوشته می‌شود:

• انتخاب محصول
• ورود به بازار
• تدوین استراتژی
• سرمایه‌گذاری
• تهیه مقاله
• انتخاب فناوری
• ارائه به مدیران
• طراحی محصول جدید

بازه زمانی مشخص کنید

برای موضوعات جدید، منابع قدیمی ممکن است نتیجه را منحرف کنند.

مثال:

منابع منتشرشده در ۱۸ ماه اخیر را در اولویت قرار بده. برای آمارهای قدیمی‌تر، تاریخ را به‌روشنی ذکر کن.

محدوده جغرافیایی را بنویسید

اگر بازار ایران مهم است، آن را صریحاً ذکر کنید:

بازار ایران را محور اصلی قرار بده و داده‌های جهانی را فقط برای مقایسه استفاده کن. تفاوت‌های مربوط به پرداخت ریالی، دسترسی سرویس‌ها و زبان فارسی را جداگانه تحلیل کن.

نوع منابع را تعیین کنید

می‌توانید اولویت منابع را مشخص کنید:

• مستندات رسمی
• مقاله‌های علمی
• گزارش‌های دولتی
• گزارش مالی شرکت‌ها
• صفحات قیمت رسمی
• خبرگزاری معتبر
• منابع فارسی
• داده‌های داخلی سازمان

قالب خروجی را تعیین کنید

برای مثال:

خروجی شامل خلاصه مدیریتی، روش تحقیق، یافته‌های اصلی، جدول مقایسه، فرصت‌ها، ریسک‌ها، پیشنهادهای اجرایی و فهرست منابع باشد.

نحوه برخورد با عدم قطعیت را مشخص کنید

این دستور احتمال ارائه نتیجه بیش‌ازحد قطعی را کاهش می‌دهد:

اگر داده معتبر کافی وجود ندارد، این محدودیت را صریحاً اعلام کن. تخمین، ادعای شرکت‌ها و داده تأییدشده را از یکدیگر جدا کن.

نمونه پرامپت کامل Deep Research فارسی

بازار چت‌بات‌های هوش مصنوعی برای پشتیبانی مشتریان در ایران را بررسی کن. مخاطب گزارش، مدیر محصول یک شرکت نرم‌افزاری است که قصد دارد طی شش ماه آینده یک سرویس جدید راه‌اندازی کند.

گزارش باید شامل تعریف بازار، صنایع دارای بیشترین نیاز، مشکلات فعلی مشتریان، رقبای ایرانی و خارجی قابل‌استفاده در ایران، مدل‌های قیمت‌گذاری، هزینه‌های فنی، فرصت‌های درآمدی، موانع ورود و پیشنهاد ساخت MVP باشد.

منابع منتشرشده در دو سال اخیر را در اولویت قرار بده. برای قابلیت‌ها و قیمت محصولات فقط از صفحات رسمی استفاده کن. داده‌های بدون منبع را حذف کن و در صورت نبود آمار معتبر برای ایران، این محدودیت را توضیح بده.

خروجی را به زبان فارسی و با ساختار زیر ارائه کن:خلاصه مدیریتیروش تحقیقوضعیت بازارمشتریان هدفتحلیل رقباقیمت‌گذاریفرصت‌ها و ریسک‌هاپیشنهاد MVPنتیجه‌گیریمنابع دارای لینک

چگونه منابع گزارش Deep Research را بررسی کنیم؟

بررسی کنید منبع واقعاً وجود داشته باشد

گاهی مدل ممکن است عنوان، نویسنده یا لینکی نادرست تولید کند. هر منبع مهم را باز کنید و مشخصات آن را بررسی کنید.

ارتباط Citation با ادعا را بسنجید

وجود لینک کنار یک جمله به معنی پشتیبانی منبع از تمام آن جمله نیست.

بررسی کنید:

• منبع همان عدد را ذکر کرده است؟
• بازه زمانی یکسان است؟
• داده مربوط به همان کشور یا بازار است؟
• نتیجه پژوهش درست تفسیر شده است؟
• ادعای تبلیغاتی شرکت به‌عنوان واقعیت مستقل استفاده نشده است؟

تاریخ انتشار را بررسی کنید

در موضوعاتی مانند مدل‌های هوش مصنوعی، قیمت API و قابلیت نرم‌افزارها، اطلاعات چند ماه قبل نیز ممکن است قدیمی شده باشند.

منابع اولیه را در اولویت قرار دهید

برای مثال:

• قیمت را از صفحه رسمی قیمت بخوانید.
• قابلیت API را در مستندات رسمی بررسی کنید.
• نتیجه علمی را از مقاله اصلی استخراج کنید.
• آمار دولتی را از سامانه رسمی دریافت کنید.

تناقض‌ها را حذف نکنید

اگر دو منبع معتبر نتایج متفاوتی دارند، گزارش باید اختلاف را توضیح دهد؛ نه اینکه یکی را بدون دلیل انتخاب کند.

بخشی برای محدودیت‌ها در نظر بگیرید

یک گزارش معتبر باید مشخص کند:

• چه داده‌ای در دسترس نبود؟
• چه بخش‌هایی براساس تخمین‌اند؟
• کدام منابع ممکن است سوگیری داشته باشند؟
• چه اطلاعاتی هنوز نیازمند بررسی انسانی است؟

خطاهای رایج هنگام استفاده از Deep Research

درخواست بسیار کلی

درخواست کلی باعث می‌شود سامانه زمان زیادی را صرف موضوعات کم‌اهمیت کند و گزارش نهایی نیز سطحی باقی بماند.

اعتماد کامل به Citation

مدل ممکن است منبع را اشتباه تفسیر کند یا یک استناد را برای ادعایی گسترده‌تر از محتوای منبع به کار ببرد.

استفاده از منابع قدیمی

در موضوعات سریع مانند هوش مصنوعی، وضعیت مدل‌ها، قیمت‌ها و محصولات مرتب تغییر می‌کند.

نادیده‌گرفتن بازار ایران

گزارش جهانی ممکن است محدودیت دسترسی، پرداخت، زبان فارسی، ساختار فروش و رفتار مشتری ایرانی را پوشش ندهد.

درخواست گزارش بدون هدف

گزارشی که برای تصمیم مشخصی تولید نشده باشد، ممکن است طولانی اما غیرقابل‌استفاده باشد.

انتشار مستقیم خروجی

گزارش هوش مصنوعی باید پیش از انتشار از نظر منبع، منطق، نگارش، تکرار و ادعاهای حساس بازبینی شود.

ترکیب داده محرمانه با جست‌وجوی عمومی

ارسال اسناد داخلی به یک سامانه متصل به وب می‌تواند ریسک ایجاد کند. دسترسی به داده‌های خصوصی باید محدود، ثبت‌شده و جدا از منابع عمومی مدیریت شود.

آیا می‌توان یک سامانه Deep Research اختصاصی ساخت؟

بله. برای ساخت یک سامانه تحقیق عمیق لازم نیست تمام قابلیت‌ها در یک مدل واحد قرار داشته باشند. می‌توان یک گردش کار چندمرحله‌ای طراحی کرد که چند سرویس را هماهنگ کند.

معماری ساده چنین سامانه‌ای شامل این اجزا است:

1. دریافت موضوع، هدف و محدودیت‌ها
2. تولید سؤال‌های تکمیلی
3. ساخت برنامه تحقیق
4. تولید Queryهای جست‌وجو
5. دریافت نتایج از Search API
6. استخراج محتوای صفحات مجاز
7. حذف صفحات تکراری
8. امتیازدهی به ارتباط منابع
9. استخراج ادعاها و شواهد
10. شناسایی تناقض‌ها
11. تولید گزارش همراه با Citation
12. بررسی انسانی و انتشار

در این معماری، مدل زبانی نقش برنامه‌ریز، تحلیلگر و نویسنده گزارش را دارد. جست‌وجوی وب، ذخیره اسناد، استخراج صفحات و ثبت منابع باید در لایه‌های جداگانه پیاده‌سازی شوند.

نقش API در ساخت Deep Research فارسی

API هوش مصنوعی می‌تواند برای چند مرحله استفاده شود:

• تبدیل درخواست مبهم به Research Brief
• ساخت سؤال‌های تکمیلی
• تقسیم موضوع به زیرسؤال‌ها
• تولید عبارت‌های جست‌وجو
• رتبه‌بندی منابع براساس ارتباط
• خلاصه‌سازی هر منبع
• استخراج ادعا، عدد و تاریخ
• مقایسه منابع
• تشخیص تناقض
• ساخت گزارش نهایی
• تولید خلاصه مدیریتی
• تبدیل گزارش به JSON ساختاریافته

API درواره یک سامانه Deep Research آماده برای کاربر نهایی نیست؛ بلکه زیرساخت API در اختیار توسعه‌دهنده قرار می‌دهد تا چنین محصول یا گردش کاری را بسازد.

مزیت این رویکرد برای تیم‌های ایرانی عبارت است از:

• دسترسی به مدل‌های مختلف از یک API
• ساختار سازگار با OpenAI API
• پرداخت و شارژ ریالی
• امکان مقایسه مدل‌ها
• کنترل مصرف از طریق داشبورد
• کاهش وابستگی برنامه به یک مدل یا ارائه‌دهنده
• امکان انتخاب مدل اقتصادی برای مراحل ساده
• استفاده از مدل قوی‌تر برای تحلیل و گزارش نهایی

نمونه تولید برنامه تحقیق با API درواره

در اولین مرحله می‌توان درخواست کاربر را به یک برنامه تحقیق ساختاریافته تبدیل کرد:

import os
import requests

API_KEY = os.environ["DARVAREH_API_KEY"]
MODEL_ID = os.environ["DARVAREH_MODEL_ID"]

research_request = """
بازار دستیارهای هوش مصنوعی سازمانی در ایران را بررسی کن.
مخاطب گزارش یک شرکت نرم‌افزاری است که قصد ورود به این بازار را دارد.
"""

prompt = f"""
درخواست زیر را به یک برنامه تحقیق حرفه‌ای تبدیل کن.

خروجی باید شامل این بخش‌ها باشد:
- هدف اصلی
- مخاطب گزارش
- محدوده جغرافیایی
- بازه زمانی پیشنهادی
- سؤال‌های تکمیلی لازم
- زیرسؤال‌های تحقیق
- عبارت‌های پیشنهادی جست‌وجو
- منابع اولیه مناسب
- ساختار گزارش نهایی
- معیارهای تشخیص اطلاعات معتبر
- محدودیت‌های احتمالی تحقیق

اگر اطلاعات کافی نیست، آن را حدس نزن و در بخش سؤال‌های تکمیلی قرار بده.

درخواست:
{research_request}
"""

response = requests.post(
    "https://api.darvareh.ir/v1/chat/completions",
    headers={
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json",
    },
    json={
        "model": MODEL_ID,
        "messages": [
            {
                "role": "system",
                "content": (
                    "تو برنامه‌ریز یک سامانه تحقیق عمیق هستی. "
                    "هیچ آمار، منبع یا نتیجه‌ای جعل نکن."
                )
            },
            {
                "role": "user",
                "content": prompt
            }
        ],
        "temperature": 0.2
    },
    timeout=90
)

response.raise_for_status()
data = response.json()
print(data["choices"][0]["message"]["content"])

شناسه مدل باید از فهرست مدل‌های فعال درواره انتخاب شود. در مرحله بعد، برنامه می‌تواند عبارت‌های جست‌وجو را به Search API ارسال کند و محتوای منابع مجاز را برای تحلیل به مدل بدهد.

کلید API نباید در کد Frontend، فایل عمومی یا مخزن Git ذخیره شود.

چگونه هزینه سامانه تحقیق عمیق را کنترل کنیم؟

Deep Research می‌تواند به‌دلیل تعداد زیاد جست‌وجوها، صفحات و درخواست‌های مدل پرهزینه‌تر از یک چت ساده باشد.

برای کنترل مصرف می‌توانید:

• تعداد زیرسؤال‌ها را محدود کنید.
• سقف تعداد جست‌وجو تعیین کنید.
• صفحات تکراری را پیش از ارسال حذف کنید.
• فقط بخش‌های مرتبط صفحه را به مدل بدهید.
• برای دسته‌بندی از مدل اقتصادی استفاده کنید.
• مدل قوی‌تر را فقط برای تحلیل نهایی به کار ببرید.
• خلاصه منابع را ذخیره و Cache کنید.
• برای هر تحقیق بودجه تعیین کنید.
• تعداد دفعات اصلاح گزارش را محدود کنید.
• مصرف هر مرحله را جداگانه ثبت کنید.

استفاده از یک مدل گران برای تمام مراحل معمولاً ضروری نیست. معماری چندمدلی می‌تواند هزینه را بدون کاهش جدی کیفیت کنترل کند.

چک‌لیست یک تحقیق عمیق قابل‌اعتماد

پیش از استفاده از گزارش بررسی کنید:

• هدف تحقیق دقیق و قابل‌اندازه‌گیری است.
• مخاطب گزارش مشخص شده است.
• محدوده زمانی و جغرافیایی تعریف شده است.
• منابع اولیه در اولویت قرار گرفته‌اند.
• لینک منابع قابل بازشدن است.
• Citationها واقعاً از ادعاها پشتیبانی می‌کنند.
• داده‌های قدیمی با تاریخ مشخص شده‌اند.
• ادعا، واقعیت و تخمین از هم جدا شده‌اند.
• تناقض میان منابع پنهان نشده است.
• محدودیت‌های تحقیق توضیح داده شده‌اند.
• شرایط بازار ایران بررسی شده است.
• اطلاعات حساس بدون مجوز ارسال نشده‌اند.
• گزارش توسط انسان بازبینی شده است.
• نتیجه به یک تصمیم یا اقدام مشخص منتهی می‌شود.

جمع‌بندی

Deep Research یک قابلیت عامل‌محور برای اجرای تحقیق‌های پیچیده و چندمرحله‌ای است. این سیستم به‌جای تولید فوری یک پاسخ، مسئله را تحلیل می‌کند، برنامه تحقیق می‌سازد، چندین منبع را بررسی می‌کند و گزارشی مستند ارائه می‌دهد.

تحقیق عمیق برای تحلیل بازار، بررسی رقبا، انتخاب فناوری، گزارش مدیریتی، پژوهش دانشگاهی و مطالعات اولیه سرمایه‌گذاری مفید است. بااین‌حال، وجود Citation به معنی صحیح‌بودن قطعی گزارش نیست و منابع مهم باید شخصاً بررسی شوند.

برای دریافت نتیجه بهتر، موضوع، هدف، مخاطب، بازه زمانی، محدوده جغرافیایی، نوع منابع و قالب خروجی را در پرامپت مشخص کنید. همچنین از سامانه بخواهید عدم قطعیت، تناقض و کمبود داده را پنهان نکند.

اگر قصد دارید قابلیت تحقیق عمیق را داخل وب‌سایت، نرم‌افزار یا سامانه سازمانی خود پیاده‌سازی کنید، می‌توانید از مدل‌های مختلف API درواره برای برنامه‌ریزی تحقیق، تحلیل منابع و تولید گزارش استفاده کنید. جست‌وجو، ذخیره اسناد و اعتبارسنجی منابع نیز باید به‌عنوان اجزای مستقل در معماری محصول طراحی شوند.

سؤالات متداول

Deep Research چیست؟

Deep Research قابلیتی مبتنی بر هوش مصنوعی است که یک موضوع پیچیده را به چند بخش تقسیم می‌کند، منابع مختلف را جست‌وجو و تحلیل می‌کند و گزارشی ساختاریافته همراه با استناد ارائه می‌دهد.

تفاوت Deep Research با ChatGPT معمولی چیست؟

چت معمولی معمولاً در چند ثانیه پاسخ می‌دهد، اما Deep Research یک فرایند چندمرحله‌ای شامل برنامه‌ریزی، جست‌وجو، خواندن منابع و ترکیب یافته‌ها اجرا می‌کند.

آیا Deep Research به زبان فارسی کار می‌کند؟

بسیاری از مدل‌های جدید می‌توانند درخواست و گزارش فارسی را پردازش کنند. کیفیت نتیجه به مدل، منابع فارسی موجود و دقت پرامپت بستگی دارد. برای موضوعات ایران باید استفاده از منابع فارسی و تحلیل شرایط محلی را صریحاً درخواست کنید.

آیا می‌توان به منابع Deep Research اعتماد کرد؟

منابع و Citationها نقطه شروع مناسبی برای بررسی‌اند، اما نباید بدون بازکردن و خواندن آن‌ها مورد اعتماد کامل قرار گیرند. ممکن است منبع اشتباه تفسیر شده یا از ادعای موردنظر پشتیبانی نکند.

آیا Deep Research برای پایان‌نامه مناسب است؟

برای یافتن منابع، ساخت نقشه ادبیات و مقایسه دیدگاه‌ها مفید است؛ اما جایگزین مطالعه مقاله‌های اصلی، تحلیل پژوهشگر و رعایت استانداردهای دانشگاه نیست.

آیا Deep Research رایگان است؟

شرایط استفاده، سقف درخواست و دسترسی رایگان یا پولی در هر سرویس متفاوت است و ممکن است تغییر کند. وضعیت فعلی باید در وب‌سایت رسمی همان سرویس بررسی شود.

آیا Deep Research در ایران قابل‌استفاده است؟

دسترسی مستقیم به محصولات خارجی ممکن است به سرویس، حساب و محدودیت‌های منطقه‌ای وابسته باشد. تیم‌های ایرانی می‌توانند یک گردش کار تحقیق اختصاصی با Search API، منابع مجاز و مدل‌های قابل‌دسترسی از طریق API درواره طراحی کنند.

آیا درواره Deep Research آماده دارد؟

محصول اصلی درواره زیرساخت API هوش مصنوعی است، نه یک رابط آماده Deep Research. توسعه‌دهندگان می‌توانند با ترکیب API درواره، موتور جست‌وجو و سامانه مدیریت منابع، قابلیت تحقیق عمیق اختصاصی بسازند.

ساخت Deep Research با API به چه اجزایی نیاز دارد؟

مدل زبانی، Search API، استخراج محتوای صفحات، پایگاه ذخیره منابع، مدیریت گردش کار، Citation، کنترل هزینه و مرحله بازبینی انسانی از اجزای اصلی هستند.

چگونه هزینه Deep Research را کاهش دهیم؟

با محدودکردن تعداد جست‌وجوها، حذف محتوای تکراری، استفاده از Cache، انتخاب مدل اقتصادی برای مراحل ساده و استفاده از مدل قوی فقط در تحلیل نهایی می‌توان هزینه را کاهش داد.

مقالات مرتبط

• ChatGPT چیست؟ آموزش کامل چت‌جی‌پی‌تی
• NotebookLM چیست؟ آموزش کامل Gemini Notebook
• هوش مصنوعی مولد چیست؟
• AI Agent و Agent Skills چیست؟
• MCP چیست؟ راهنمای Model Context Protocol
• API هوش مصنوعی چیست؟
• ساخت دستیار پشتیبانی مشتری با RAG

منابع

• مستندات رسمی Deep Research در OpenAI API
• معرفی رسمی Gemini Deep Research
• مستندات Gemini Deep Research Agent
• مستندات Research Models در Perplexity

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، مستندات رسمی سرویس‌ها و صفحه سلب مسئولیت را مطالعه کنید.