# deepresearch

Published articles for deepresearch.

This is one page of public article previews, not the complete archive. Follow Next page to continue. Summaries are not the original full articles.

## Не трогая веса модели: как мы построили исследовательского агента Алисы AI и в разы сократили потребление GPU

DevFeed: [Не трогая веса модели: как мы построили исследовательского агента Алисы AI и в разы сократили потребление GPU](<https://devfeed.tech/articles/ai-gpu-24895.md>)

Original publisher: [Read original article](<https://habr.com/ru/companies/yandex/articles/1079290/>)

Author: prohor33 (Яндекс)

Published: 2026-09-14T08:01:22Z

Content type: article

Language: ru

Sources: [Яндекс - Как мы делаем Яндекс / Статьи](<https://devfeed.tech/sources/source.md>)

Topics: [Artificial Intelligence](<https://devfeed.tech/topics/ai.md>), [Retrieval Augmented Generation (RAG)](<https://devfeed.tech/topics/retrieval-augmented-generation-rag.md>), [SDKs](<https://devfeed.tech/topics/sdks.md>), [Large Language Model](<https://devfeed.tech/topics/llm.md>)

Tags: [agent](<https://devfeed.tech/tags/agent.md>), [ai](<https://devfeed.tech/tags/ai.md>), [ai-867179ebf949](<https://devfeed.tech/tags/ai-867179ebf949.md>), [deepresearch](<https://devfeed.tech/tags/deepresearch.md>), [llm](<https://devfeed.tech/tags/llm.md>), [rag](<https://devfeed.tech/tags/rag.md>), [research](<https://devfeed.tech/tags/research.md>), [sdk](<https://devfeed.tech/tags/sdk.md>), [tag-14fcd5db6179](<https://devfeed.tech/tags/tag-14fcd5db6179.md>), [tag-1605473766c5](<https://devfeed.tech/tags/tag-1605473766c5.md>), [tag-6237da65686b](<https://devfeed.tech/tags/tag-6237da65686b.md>)

### AI overview

The article describes how the Alice AI team built and deployed a Deep Research agent without changing the model weights. It traces the evolution from a reasoning mode with a multi-query RAG pipeline into a full agent capable of planning research, searching the web, handling dynamic JavaScript content, running Python code, and working with downloaded files. It also discusses production rollout, answer quality, latency, and GPU consumption.

### Source excerpt

Меня зовут Прохор, я лид команды агента "Исследовать" -- это режим глубокого исследования в чате с Алисой AI. Напомню, про что вообще речь, если никогда не пользовались Deep Research: это специальный режим работы, который строит уникальный план решения задачи пользователя, делает сотни поисков по вашему запросу, умеет ходить на сайты (даже с динамическим JavaScript-контентом), писать и выполнять Python-код (для сложных расчётов), работать со скачанными файлами и так далее. Всё это для того, чтобы дать лучший ответ на ваши сложные запросы, например: "Спланируй мне путешествие в Дагестан на две недели на машине с детьми". За год агент прошёл путь от первого прототипа до продакшена -- вместе с ним менялись качество ответов, скорость работы и потребление GPU. За продуктовую часть отвечал Руслан Илиев, продакт менеджер агента: он сформулировал продуктовые цели, определил набор инструментов и валидационный набор запросов, а затем вёл запуск от закрытого вейтлиста до 100% продакшена. Как мы к этому пришли -- через выброшенный прототип, десятки слоёв обвязки и пару болезненных уроков, -- расскажу по порядку. Добро пожаловать под кат! Читать далее

## Сравнение AI-систем для глубокого анализа данных и исследований

DevFeed: [Сравнение AI-систем для глубокого анализа данных и исследований](<https://devfeed.tech/articles/deep-research-showdown-ai-24010.md>)

Original publisher: [Read original article](<https://habr.com/ru/companies/redmadrobot/articles/891970/>)

Author: kekslop (red\_mad\_robot)

Published: 2025-03-18T12:40:03Z

Content type: comparison

Language: ru

Sources: [Redmadrobot EN](<https://devfeed.tech/sources/redmadrobot-en.md>), [Redmadrobot RU](<https://devfeed.tech/sources/redmadrobot-ru.md>)

Topics: [Artificial Intelligence](<https://devfeed.tech/topics/ai.md>), [Large Language Model](<https://devfeed.tech/topics/llm.md>), [Retrieval Augmented Generation (RAG)](<https://devfeed.tech/topics/retrieval-augmented-generation-rag.md>), [Langgraph](<https://devfeed.tech/topics/langgraph.md>), [vllm](<https://devfeed.tech/topics/vllm.md>), [OpenAI](<https://devfeed.tech/topics/openai.md>), [Claude](<https://devfeed.tech/topics/claude.md>)

Tags: [ai](<https://devfeed.tech/tags/ai.md>), [ai-6560afdd46fd](<https://devfeed.tech/tags/ai-6560afdd46fd.md>), [deepresearch](<https://devfeed.tech/tags/deepresearch.md>), [langgraph](<https://devfeed.tech/tags/langgraph.md>), [llm](<https://devfeed.tech/tags/llm.md>), [openai](<https://devfeed.tech/tags/openai.md>), [rag](<https://devfeed.tech/tags/rag.md>), [research](<https://devfeed.tech/tags/research.md>), [sast](<https://devfeed.tech/tags/sast.md>), [structured-output](<https://devfeed.tech/tags/structured-output.md>), [tag-1cd610c0e518](<https://devfeed.tech/tags/tag-1cd610c0e518.md>), [tag-5e27d5297aca](<https://devfeed.tech/tags/tag-5e27d5297aca.md>), [tag-8e9a901cca08](<https://devfeed.tech/tags/tag-8e9a901cca08.md>), [tag-baf5012a40ff](<https://devfeed.tech/tags/tag-baf5012a40ff.md>), [vllm](<https://devfeed.tech/tags/vllm.md>)

### AI overview

The article compares OpenAI, Grok, Perplexity, and the author's NDT Deep Research system on five analytical tasks, including financial-market analysis, technology research, and identifying promising AI startups. NDT Deep Research uses LangGraph, Tavily, multiple language models, Structured Output, vLLM, retrieval-augmented generation, and source analysis. The author reports that system changes reduced generation costs threefold and latency by 40%.

### Source excerpt

Как я сравнил топовые AI-модели для глубокого анализа данных и собственную разработку Привет! Меня зовут Валера Ковальский, я CEO NDT by red_mad_robot. Недавно я протестировал ведущие AI-системы, которые способны проводить глубокие исследования, и делюсь с вами результатами. Читать далее