Deep Research Max

Что такое Deep Research Max?

Deep Research Max — автономный исследовательский агент на базе Gemini 3.1 Pro, предназначенный для выполнения длительных исследовательских и синтезирующих рабочих процессов по веб-данным и данным пользователя. Он создаёт полностью цитируемые профессиональные анализы и может использоваться напрямую через единый API-вызов в составе более крупных агентных конвейеров.

В сравнении с более быстрым вариантом «Deep Research» Deep Research Max ориентирован на максимальную всесторонность и высочайшее качество синтеза, используя расширенные вычисления на этапе тестирования для итеративного рассуждения, поиска и доработки итогового отчёта. Также поддерживается безопасное подключение к проприетарным источникам данных через Model Context Protocol (MCP).

Ключевые возможности

• Два варианта агента (Deep Research vs. Deep Research Max): Выбирайте анализ, оптимизированный по скорости/задержке, с Deep Research или более глубокий синтез высшего качества с Deep Research Max для фоновых процессов.
• Исследовательские процессы для предприятий: Deep Research (на Gemini 3.1 Pro) поддерживает корпоративные рабочие процессы, такие как финансы, науки о жизни и маркетинговые исследования, и служит начальным шагом в длинных агентных конвейерах.
• Единый API-вызов для исчерпывающего исследования: Разработчики могут запускать исследовательские процессы, сочетающие открытый веб с проприетарными потоками данных, для получения профессиональных полностью цитируемых анализов.
• Поддержка Model Context Protocol (MCP): Deep Research безопасно подключается к кастомным данным и специализированным профессиональным потокам через MCP, включая произвольные определения инструментов для навигации по специализированным репозиториям.
• Нативные визуальные выходы: Агент нативно генерирует графики и инфографику высокого качества встраиваемыми в HTML или «Nano Banana», превращая сложные качественные и количественные данные в готовые для презентации визуалы.
• Направляемое планирование исследования: Пользователи могут корректировать план исследования агента, чтобы вывод соответствовал запрошенному объёму.

Как использовать Deep Research Max

1. Доступ к агенту через Gemini API: Используйте Gemini API для запуска автономных исследовательских процессов (описывается запуск «исчерпывающих исследовательских процессов» единым API-вызовом).
2. Выберите подходящую конфигурацию: Используйте Deep Research при важности низкой задержки; Deep Research Max — для асинхронных или длительных задач, требующих глубокого синтеза.
3. Подключите данные через MCP: Если у вас есть проприетарные источники, подключите их через MCP, чтобы агент мог искать и рассуждать по вашим данным в дополнение к открытому вебу.
4. Опционально задайте план исследования: Укажите указания для плана исследования агента, чтобы направить, что он изучает и как структурирует итоговый отчёт.
5. Просмотрите сгенерированные выходы: Агент создаёт полностью цитируемые анализы и может включать нативные графики/инфографику встраиваемыми в формат отчёта, поддерживаемый API.

Сценарии использования

• Еженощная генерация отчётов о due diligence: Запускайте Deep Research Max как асинхронную фоновую задачу (например, ночной cron-задачу) для создания исчерпывающих отчётов о due diligence к утру для команды аналитиков.
• Маркетинговые исследования с закрытыми данными: Используйте MCP для подключения к специализированным провайдерам рыночных или финансовых данных, затем пусть агент синтезирует выводы в полностью цитируемый отчёт с визуальными графиками/инфографикой.
• Сложные аналитические конвейеры с несколькими источниками: Начинайте с сбора контекста с помощью Deep Research как первого шага в агентном конвейере, затем передавайте результаты на последующие этапы для дополнительного исследования или синтеза.
• Интерактивные исследования внутри приложения: Используйте Deep Research (вариант, оптимизированный по скорости) для исследовательских опытов, встроенных в интерактивные пользовательские интерфейсы, где важна сниженная задержка.
• Расследования с дополнением файлами: Предоставляйте загрузки файлов или подключённые хранилища файлов, чтобы агент мог искать по этим входам наряду с открытым вебом и включать выводы в итоговый цитируемый нарратив и визуалы.

Часто задаваемые вопросы

• В чём разница между Deep Research и Deep Research Max?
  Deep Research оптимизирован для скорости и снижения задержки/затрат при высоком качестве, в то время как Deep Research Max ориентирован на максимальную всесторонность и высшее качество синтеза с использованием расширенных вычислений на этапе тестирования.

• Может ли агент использовать мои проприетарные данные?
  Да. В статье указано, что агент может безопасно подключаться к приватным данным с помощью Model Context Protocol (MCP), а также работать с загрузкой файлов и подключёнными хранилищами файлов.

• Производит ли он что-либо кроме текста?
  Да. Он может нативно генерировать графики и инфографику inline с HTML или “Nano Banana” для визуализации сложных данных в отчёте.

• Как он обрабатывает ссылки и источники?
  В статье указано, что результирующие анализы «полностью цитированы», и рабочие процессы могут комбинировать открытый веб с проприетарными потоками данных.

• Могу ли я контролировать, что исследует агент?
  Да. В статье указано, что пользователи могут направлять план исследования агента, чтобы вывод соответствовал нужному объёму.

Альтернативы

• Другие автономные агенты исследования через API: Похожие инструменты автоматизируют исследование из нескольких источников и генерацию отчётов, обычно различаясь по задержке (интерактивная vs. фоновую), поведению цитирования и глубине рассуждений.
• Пайплайны retrieval-augmented generation (RAG): Для команд, желающих больше ручного контроля, настройка RAG может извлекать из веба и проприетарных хранилищ, а затем генерировать отчёты, хотя может требовать больше оркестрации, чем специализированный агент исследования.
• Специализированные BI/инструменты отчётности с поддержкой AI-нарратива: Если основная потребность — визуализация и дашборды, BI-инструменты могут создавать графики напрямую; AI-агенты лучше подходят для end-to-end нарративного исследования с итеративным синтезом по источникам.
• Кастомные рабочие процессы агентов с инструментами, подключёнными через MCP: Команды могут строить bespoke «агенты исследования», оркестрирующие инструменты MCP и рассуждения LLM; это обеспечивает гибкость, но переносит усилия по реализации с платформы на разработчика.