NVIDIA 教你给 Agent 框架添加深度研究技能：Claude Code、Codex 等可扩展

一句话看懂

NVIDIA 发布技术指南，教你如何为 Claude Code、Codex、LangChain Deep Agents 等 Agent 框架添加专门的深度研究技能，实现多文档综合、企业数据决策简报等复杂任务。

详细发生了什么

Agent 框架（如 Claude Code、Codex、LangChain Deep Agents）擅长编排任务：管理会话、链式调用工具、执行代码、响应开发者意图。但当需要深度研究——比如多文档综合、基于企业数据的决策简报、带来源归因的长期分析——这些框架往往力不从心。

NVIDIA 在最新博客中提出，可以通过将深度研究封装为一个专门的“技能”（Skill）来扩展 Agent 框架的能力。核心思路是：

1. 定义深度研究技能接口：包括输入（研究问题、约束条件、来源偏好）和输出（结构化报告、引用列表、置信度评分）。
2. 利用 NVIDIA NeMo 等工具：实现检索增强生成（RAG）、多步推理、结果验证等子能力。
3. 集成到现有 Agent 框架：通过 tool calling 或 sub-agent 模式，让主 Agent 在需要时调用深度研究技能。

博客还给出了一个示例：使用 LangChain Deep Agents 和 NVIDIA NeMo 构建一个“企业研究助手”，能够从内部文档库中综合信息，生成带引用的决策简报。

中文圈视角

对中文开发者来说，这个指南非常实用，原因有三：

1. 主流 Agent 框架在国内都能用：Claude Code、Codex、LangChain 在国内均可访问（部分需代理），且都有中文社区支持。NVIDIA NeMo 也有中文文档。
2. 国产平替方案：如果不想用国外框架，可以类比到国内产品：比如用 Dify 或 FastGPT 作为 Agent 框架，结合百度文心或阿里通义的 RAG 能力，也能实现类似功能。NVIDIA 的设计思路是通用的。
3. 企业场景刚需：国内企业做知识库问答、竞品分析、合规审查时，经常需要多文档综合和来源归因。这个技能正好填补了现有 Agent 框架的空白。

一个值得注意的盲点：国内很多开发者只关注 Agent 框架的对话能力，忽略了深度研究这种“慢思考”技能。NVIDIA 的指南提醒我们，Agent 不只能聊天，还能做研究。

几条值得记住的细节

• 深度研究技能需要支持多轮检索、多文档对比和来源归因，不是简单 RAG 能搞定的。
• NVIDIA 建议使用 NeMo 的“推理时计算”功能来提升研究质量。
• 示例代码展示了如何用 LangChain 的 tool calling 机制注册深度研究技能。
• 该技能可复用：同一个技能可以挂接到 Claude Code、Codex 等不同框架。
• 博客提到，深度研究技能的输出格式建议为 Markdown 或 JSON，便于后续处理。

一句话总结

给你的 Agent 框架加上深度研究技能，它就能从“对话助手”升级为“研究分析师”。