主要結合了擴散模型 (Diffusion Models) 和自進化演算法 (Self-Evolutionary Algorithms) 的概念，並將其應用於深度研究報告的生成過程。它的核心思想是模擬人類研究與寫作中「草稿 → 修訂 → 完善」的迭代過程。
TTD-DR 數理與原理拆解
TTD-DR 模式並非依賴單一的數學公式，而是融合了多個現代 AI 技術的原理，形成一個動態且迭代的系統。以下是其主要構成要素的數理和原理：1. 將報告生成視為一個「擴散過程」
* 靈感來源： 擴散模型最初在圖像生成領域嶄露頭角，它透過逐步「去噪」一個初始的隨機雜訊圖像，最終生成清晰的圖像。TTD-DR 將這個概念應用到文本生成上。
* 數學類比：
* 初始「噪音草稿」(R_0)： 想像這是一個包含許多不精確、不完整甚至錯誤資訊的原始報告草稿。就像圖像生成中的初始隨機雜訊。
* 「去噪」過程 (Denoising Process)： 在每個時間步 t，模型會根據當前的草稿 R_{t-1}、初始查詢 q 以及過去的搜尋問題與答案歷史 (Q, A)，利用一個「去噪模型」(\mathcal{M_R}) 來生成一個更精確、更完善的草稿 R_t。這個過程可以表示為：
R_t = \mathcal{M_R}(q, R_{t-1}, Q, A)
這裡的 \mathcal{M_R} 通常是一個基於大型語言模型 (LLM) 的模型，它負責處理草稿並整合新資訊。
* 迭代優化： 就像擴散模型會逐步去除圖像中的雜訊一樣，TTD-DR 會重複這個「生成新草稿，然後去噪」的過程，讓報告的品質在每次迭代中逐漸提升，從一個「粗糙的草稿」演變成一個「精雕細琢的最終報告」。
2. 檢索增強生成 (Retrieval-Augmented Generation, RAG)
* 原理： 為了實現「去噪」過程中的資訊補全和修正，TTD-DR 深度整合了檢索機制。當模型發現草稿中有知識缺口或需要更多證據時，它會動態地生成搜尋問題，並透過外部檢索工具（例如網路搜尋引擎）獲取相關資訊。
* 數學/演算法層面：
* 查詢生成器 (Query Generator)： 根據當前草稿 R_{t-1} 和主查詢 q，LLM 會生成一系列針對性的搜尋查詢 Q_t。
* 檢索模組 (Retrieval Module)： 這些查詢會被送入外部資訊源，獲取相關的文本片段或資料 A_t。
* 資訊整合： 獲得的 A_t 會被傳回給 \mathcal{M_R}，用於「去噪」和修正 R_{t-1}，生成 R_t。這個過程確保了報告中的資訊是基於最新且相關的外部知識。
3. 自進化演算法 (Self-Evolutionary Algorithm)
* 原理： 傳統的 AI 研究代理在長流程中容易受到單個組件（例如搜尋問題生成、答案抽取）微小誤差的影響，這些誤差會隨著迭代被放大。TTD-DR 引入了自進化機制來優化其內部各個組件的效能。
* 數學/演算法層面：
* 多候選生成與評估： 對於每個關鍵步驟（例如生成搜尋問題、提取關鍵資訊），TTD-DR 不會只生成一個輸出，而是會生成多個候選。
* 內部評審機制： TTD-DR 利用一個專門訓練的 LLM 作為「評審員」或「評估器」，對這些候選進行評分和排序，選出品質最高的候選。這個評審機制可以透過與人類評分對齊的方式進行訓練。
* 動態調整： 透過不斷的自我評估和優化，每個組件都能提升自身的效能，從而改善整個深度研究流程的最終輸出品質。這有點類似於強化學習中的自我對弈 (self-play) 概念，模型透過不斷地嘗試和評估來學習最佳策略。
* 核心目標： 避免過早收斂到次優解，並探索更廣闊的知識空間。
TTD-DR 綜合運作流程
* 初始草稿生成： 根據使用者提供的查詢 q，LLM 生成一份初步的「噪音草稿」R_0。
* 迭代優化循環： 進入一個迭代循環，每個循環都包含以下步驟：
* 知識缺口識別： AI 分析當前的草稿 R_{t-1}，識別出其中潛在的資訊不足、邏輯不嚴謹或需要更多證據支持的部分。
* 搜尋問題生成 (自進化)： 根據識別出的知識缺口，自進化演算法會生成多個候選的搜尋問題 Q_t，並選出最優的。
* 外部資訊檢索： 利用這些搜尋問題，從外部資料庫或網路中檢索相關的資訊 A_t。
* 草稿「去噪」與精煉： 將檢索到的資訊 A_t 以及當前草稿 R_{t-1} 輸入給主 LLM（\mathcal{M_R}），進行「去噪」處理，生成新的、更完善的草稿 R_t。
* 組件自進化 (持續優化)： 在整個過程中，各個子模組（例如搜尋問題生成、資訊整合方式）會持續進行自進化，提升其在不同任務中的表現。
* 最終報告輸出： 經過預設的迭代次數或達到某個收斂標準後，輸出最終的深度研究報告。
總之，TTD-DR 模式的數理基礎在於將複雜的報告生成問題分解為一系列可控的「去噪」步驟，並透過擴散模型的迭代 refinement、檢索增強的資訊補全以及自進化演算法的模組優化，實現了高效且高品質的深度研究生成，它不僅模仿了人類的研究習慣，更在自動化程度上超越了傳統的線性生成模式。
