Практикум: AI-агент-исследователь в 2026

Что мы строим

Практичный research workflow в 2026 обычно состоит из пяти шагов:

1. Plan - разбить тему на 4-6 исследовательских блоков.
2. Collect - собрать данные через web_search и, при необходимости, file_search.
3. Synthesize - убрать дубли, противоречия и слабые источники.
4. Write - собрать markdown-отчёт с явной структурой.
5. Review - прогнать quality gate и отдать итог человеку на быстрый sanity check.

Базовая архитектура:

Тема
  -> Planner
  -> Search / Retrieval
  -> Section Notes
  -> Synthesizer
  -> Report Writer
  -> Human Review

Подготовь обзор по теме: «Как меняется enterprise search после появления reasoning-моделей». Используй интернет и нашу внутреннюю папку с case studies.

1. Архитектура research-агента

Research-агент в 2026 лучше мыслить не как chat-bot, а как workflow с разными типами работы:

• planner думает о coverage темы;
• collector ходит в web_search и file_search;
• synthesizer очищает и сшивает заметки;
• writer формирует итоговый документ;
• review gate проверяет, не выдумал ли пайплайн выводы.

Это проще тестировать, чем один "умный" autonomous agent.

2. Что использовать для поиска и retrieval

Внешний поиск:

• web_search в OpenAI Responses API;
• web search tool у Anthropic, если ваш стек вокруг Claude;
• доменные allow-list'ы и отключение live internet там, где нужен cache-only режим.

Внутренние документы:

• file_search, если у вас уже есть vector store у провайдера;
• metadata filters для отделения, региона, продукта, типа документа;
• отдельные коллекции для policies, research notes, case studies и analyst memos.

Практическое правило простое: research agent почти всегда должен уметь работать и с интернетом, и с внутренними файлами. Только web search редко даёт достаточную полезность для командовой аналитики.

3. Минимальный пайплайн на Python

Ниже не "полноценный фреймворк", а рабочий skeleton. Он делает три вещи:

• строит план;
• собирает заметки по каждому разделу;
• пишет финальный markdown.

import json
from openai import OpenAI

client = OpenAI()
VECTOR_STORE_ID = "vs_internal_research"


def plan_sections(topic: str) -> list[str]:
    response = client.responses.create(
        model="gpt-5-mini",
        input=(
            "Составь research plan из 4-6 разделов. "
            "Верни JSON вида {\"sections\": [\"...\"]}.\n\n"
            f"Тема: {topic}"
        ),
        text={"format": {"type": "json_object"}},
    )
    return json.loads(response.output_text)["sections"]


def collect_notes(topic: str, section: str) -> str:
    response = client.responses.create(
        model="gpt-5.4",
        reasoning={"effort": "medium"},
        tools=[
            {"type": "web_search"},
            {
                "type": "file_search",
                "vector_store_ids": [VECTOR_STORE_ID],
                "max_num_results": 4,
            },
        ],
        include=[
            "web_search_call.action.sources",
            "file_search_call.results",
        ],
        input=(
            "Собери section notes для будущего отчёта.\n"
            "Требования:\n"
            "1. Используй и внешний web search, и внутренний file search, если они релевантны.\n"
            "2. Укажи только проверяемые выводы.\n"
            "3. Верни markdown с буллетами, конфликтами между источниками и списком what-is-uncertain.\n\n"
            f"Тема: {topic}\n"
            f"Раздел: {section}"
        ),
    )
    return response.output_text


def write_report(topic: str, section_notes: dict[str, str]) -> str:
    joined_notes = "\n\n".join(
        f"## {section}\n{notes}" for section, notes in section_notes.items()
    )
    response = client.responses.create(
        model="gpt-5.4",
        input=(
            "Напиши итоговый markdown-отчёт.\n"
            "Структура: executive summary, основные разделы, risks / open questions, conclusion.\n"
            "Не придумывай факты вне заметок.\n\n"
            f"Тема: {topic}\n\n"
            f"Section notes:\n{joined_notes}"
        ),
    )
    return response.output_text


topic = "Как reasoning-модели меняют enterprise search и knowledge work"
sections = plan_sections(topic)
notes = {section: collect_notes(topic, section) for section in sections}
report = write_report(topic, notes)

print(report)

Такой пайплайн уже полезен, потому что:

• planner дешёвый;
• search и retrieval явно видны;
• writer работает по уже очищенным notes, а не по сырым кускам страниц;
• вы можете логировать каждую фазу отдельно.

4. Когда нужен deep research model

Если вам нужен не modular workflow, а более мощный managed research mode, OpenAI уже даёт o4-mini-deep-research и o3-deep-research.

Они полезны, когда:

• задача действительно длинная и многоэтапная;
• нужны internet search и synthesis в одном run;
• вы готовы платить за более дорогой reasoning-heavy режим.

Но есть важное ограничение: deep research модели удобны для сложного исследования, а не для каждого обычного аналитического запроса. Для регулярных отчётов, конкурентных обзоров и policy memo часто выгоднее собственный workflow на gpt-5-mini / gpt-5.4 плюс built-in tools.

5. Source policy и budget policy

Надёжный research agent в production почти всегда имеет четыре ограничения:

Это особенно важно для тем вроде финансов, регулирования, медицины и enterprise vendor analysis.

6. Что смотреть в traces

Если вы уже используете Agents SDK или другой runtime с трассировкой, research workflow стоит разбирать минимум по таким сигналам:

• сколько search calls сделал агент;
• какие разделы получили слабое покрытие;
• где notes содержат противоречащие друг другу утверждения;
• какие секции постоянно приводят к лишним повторам;
• какие источники чаще всего оказываются шумом.

Research agent без traces быстро превращается в "вроде что-то нашёл, но непонятно почему так решил".

7. Практический вывод

Хороший research agent в 2026 - это не "одна суперумная модель", а аккуратная сборка из planner, search, retrieval, synthesis и report writing.

Если нужен быстрый и управляемый baseline, начинайте с Responses API + web_search + file_search. Если нужен более длинный и тяжёлый managed режим, смотрите на o4-mini-deep-research. Но в обоих случаях главный выигрыш даёт не автономность сама по себе, а качественная source policy и review discipline.

Проверьте себя