1) User query intake: uzytkownik zadaje zlozone pytanie („Deep dive na chip market share 2024, TSMC vs Samsung vs Intel"). 2) Planning: LLM (with reasoning mode/thinking budget) generuje plan dziala: outline, sub-queries, source types, ordering. 3) Query decomposition: rozbicie na 5-40 sub-queries. 4) Parallel/sequential search execution: agent uruchamia zapytania (Google, Bing, Brave, ArXiv, Scholar) przez tool APIs. 5) Result fetching: web scraping (rendered HTML lub markdown), PDF extraction (arXiv papers), rate-limited API calls. 6) Reading and note-taking: LLM czyta kazdy rezultat, wyciaga kluczowe cytaty i fakty. 7) Reflection loop: LLM ocenia coverage, identyfikuje luki, generuje follow-up queries. 8) Iteration: kroki 3-7 powtarzane 3-10 razy typowo, do 30+ dla deep research. 9) Structured synthesis: hierarchiczne planowanie raportu z sekcjami, integracja cytatow. 10) Citation formatting: kazde stwierdzenie z zrodlem (URL + quote + date + author), inline citations. 11) Output: comprehensive raport (5-20 stron), interactive follow-up capability, ability to expand sections. Test-time compute: 1-30 minut, koszty $0.10-$5.00 per query.
Klasyczny RAG (single-shot retrieve-then-generate) ma trzy fundamentalne ograniczenia: (1) zaleznosc od jakosci pojedynczego zapytania semantycznego — jesli uzytkownik zapyta zle, retriever przyniesie zle dokumenty; (2) brak planowania — nie mozna rozbic zlozonego pytania na skladowe; (3) brak refleksji — model nie moze sprawdzic czy top-K zawiera wystarczajaco info. Agentic search rozwiazuje te problemy przez petle rozumowania + tool use. Dla zlozonych pytan (research, comparison, analysis) daje 10-30x lepsza dokladnosc niz RAG. Enable use cases niemozliwe wczesniej: 10-30 minutowe deep research sessions z 40+ zrodlami, comprehensive raporty z sekcjami, multi-perspective analysis, hard fact-checking z cytatami.
Quick answer (1-3 queries, <30s) vs standard (5-15 queries, 1-3 min) vs deep research (30-100+ queries, 10-30 min). OpenAI Deep Research: 10-30 min. Google Gemini Deep Research: 5-15 min. Kimi Researcher: 5-30 min. Definiuje UX + koszt.
Web only (Google/Bing) vs academic (ArXiv, Scholar, PubMed) vs specialized (Bloomberg for finance, LexisNexis for law, Kaggle for datasets). Kluczowe dla domain expert use cases. Kimi Researcher wspiera 8+ tool types.
Strict (kazde stwierdzenie musi miec zrodlo) vs lax (glowne cytowane, drobiazgi bez). Strict zwieksza trust ale zmniejsza fluency. Perplexity: strict inline. Kimi: strict + widget breakdown.
Long research sessions consume 100k-1M tokens. Options: full context (long-context model like Gemini 3.1 Pro 1M), sliding window summarization, hierarchical compaction (Kimi K3 @300K trigger), episodic memory. Compaction quality drives long-run quality.
Parallel: szybciej, ale nie mozna adaptowac queries do wynikow. Sequential: adaptive, ale wolniej. Hybrid: initial burst 5-10 queries in parallel, potem adaptive. Standard w produkcji.
Perplexity: chat-style z citations. OpenAI/Gemini Deep Research: structured multi-page reports. Kimi Work: rich reports z widgets. Format wplywa na perceived quality i use case fit.
Kroki wykonania warunkowe od odkryc — gdy nie wystarczy info, dodatkowe queries; gdy tak, przejscie do synthesis. Adaptive stopping criterion. Reasoning effort scaled by query complexity.
Rownolegle wykonanie sub-queries (kilku-dziesiatek fetches w burst). Sekwencyjne fazy: planning, reflection, synthesis. LLM decoding sekwencyjne (autoregressive). Rownoleglosc na poziomie users (kazda sesja niezalezna).
