Корпоративные данные могут расползаться по разным письмам, отчетам, базам и репозиториям кода. Ответы на сложные вопросы часто требуют не одного, а множества фактов, а также умения синтезировать данные из сотен источников с проверяемыми ссылками и понятной логикой вывода. Обычные агенты и классические RAG-системы часто не подходят для этих задач: они предоставляют поверхностные ответы, плохо управляются в процессе и не объясняют, на каких источниках основан их вывод. Команда Salesforce AI Research предлагает Enterprise Deep Research (EDR), мультиагентную систему, которая делает глубокое исследование управляемым и прозрачным для реальных процессов в компании.
Главная идея: курс можно менять на ходу
Ключевая особенность EDR - управляемый контекст. Пользователь видит план исследования в виде todo.md и может в любой момент скорректировать курс: добавить задачу, поменять приоритеты, уточнить фокус запроса (например, рассматривать только выбранные источники или сделать упор на свежих публикациях). Система сохраняет промежуточные состояния, явно привязывает выводы к источникам и выдерживает длинные сессии. Она не является черным ящиком.
Кто за что отвечает внутри
Master Research Agent: основной оркестратор, который декомпозирует запрос на подзадачи, подбирает инструменты, сверяет выводы разных агентов, устраняет противоречия и следит за качеством финального ответа.
Специализированные агенты поиска: четыре быстродействующих агента общего, академического, GitHub и LinkedIn поиска, оптимизированных под свой домен с дедупликацией и правильным ранжированием источников.
Доменные инструменты через MCP: подключение файлов и внутренних систем компании с помощью специализированных инструментов, таких как анализ документов в Confluence или Notion, а также других MCP-инструментов.
Visualization Agent: он способен строить графики и вставлять визуализации в отчет.
Механизм рефлексии: эмулирует рефлексию, выявляет пробелы в знаниях, требует уточнения плана и повышения внимания к определенным аспектам запроса.
Как это работает
Процесс начинается с запроса пользователя. При необходимости он может загрузить дополнительные материалы. Система формирует видимый план из трех-пяти задач с приоритетами и указанием, откуда взялась задача (исходный запрос, пробел знания или указание пользователя). Доступны разные режимы глубины: быстрый, стандартный и глубокий.
Оркестратор генерирует новые подзадачи и поисковые запросы, выбирает, какой специализированный агент или доменный инструмент использовать, дедуплицирует и применяет ограничения (например, только конкретные домены) и собирает результаты с ограничением на число вызовов каждого инструмента.
Агенты поиска собирают ответы из различных источников. Система удаляет дубли, нормализует ссылки и сжимает несколько результатов одного запроса. Затем LLM EDR берет краткое изложение каждой задачи из предыдущего раунда, абстракт загруженных файлов, сводку из предыдущего раунда и выдает новый ответ. Важно, что он сжимает результат, сохраняя ссылки на источники, так как за многие итерации могут исчерпаться лимиты на длину контекста.
Пользователь может аккуратно направлять процесс, не ставя систему на паузу. Все его сообщения ставятся в очередь и применяются во время следующей рефлексии, чтобы обеспечить атомарность изменений и избежать гонок.
В конце каждого итерационного цикла система сверяет все задачи и источники, чтобы выявить пробелы в знаниях, отменить или переоткрыть задачи, которые закрывают нужные вопросы, добавить новые и отследить, что уже закрыто. Затем все повторяется снова, пока не будет достигнуто достаточное покрытие задачи, после чего EDR формирует отчет с воспроизводимым путем и ссылками на источники.
Чем этот агент отличается от обычных
Он использует видимый для пользователя и всех агентов план исследования, связанный с планируемыми задачами и источниками каждого действия.
Прозрачен для пользователя.
Управляем не только до запуска, но и по ходу действия.
Имеет встроенный механизм проверки согласованности и качества ответа.
MCP позволяет легко и дешево подключать внутренние базы и другие сервисы
Контекст сжимается без потери ссылок и других метаданных для долгих сессий
Встроен автоматический факт-чекинг и оценка уверенности вывода
Что показали эксперименты
Авторы заявляют, что EDR превосходит лучшие открытые агенты по глубокому поиску на бенчмарках DeepResearch Bench и DeepConsult даже без пользовательского вмешательства. Также они проверили работу EDR на внутренних данных Salesforce. Важно, что исследователи выпустили датасет EDR-200 с полными сценариями для оценки и дообучения, так как многие агенты для глубоких исследований закрыты.
Инженерная часть
Система реализована на FastAPI c поддержкой стриминга, очередей фоновых задач и подробных ошибок. Имеется пользовательский интерфейс на React с использованием Material-UI и React Query, а также поддержка различных провайдеров LLM с авторизацией. Из коробки доступны загрузка файлов, их анализ и подключение различных баз.
Что это значит для бизнеса
EDR полезен тем, что делает агентные системы более надежными и управляемыми. Пользователь видит, каким путем система пришла к тому или иному ответу. Если результат ему не нравится, он может изменить направление поиска и получить воспроизводимый отчет с источниками, визуализациями и историей принятых решений. Мультиагентный подход и MCP позволяют решать задачи от рыночных обзоров до аудита кода и аналитики по внутренним базам. Открытый код и датасет позволяют верифицировать выводы, а также развивать систему, не полагаясь на авторов.
Таким образом, ИИ не заменяет аналитика, а становится его партнёром. Теперь бизнес может не просто получать ответы, а понимать, почему именно эти ответы верны — и на этой основе принимать действительно обоснованные решения.
***
Если вам интересна тема ИИ, подписывайтесь на мой Telegram-канал — там я регулярно делюсь инсайтами по внедрению ИИ в бизнес, запуску ИИ-стартапов и объясняю, как работают все эти ИИ-чудеса.