一句话看懂：TinyFish 创始人公开了研究 Agent TinyResearch 的运行机制：用规划、搜索、排序、读取、抽取、缺口复查、成稿的七步循环替代“直接把问题丢给 LLM”，目标是让 Agent 作为调用方时也能直接信任输出结果，而不必人工复核。
事件核心：发生了什么
发布时间为 2026 年 11 月 6 日，TinyResearch 作者在博客中复盘了今年大部分时间的产品构建过程。产品定位是“你给一个难题，返回的结果好到不用重做”，并强调越来越多提问者是处于更大任务中的 Agent，例如销售 Agent 准备通话简报、助手对比供应商。作者用五项指标衡量每次改动：事实正确性、可信度、可读性、全面性和指令遵循。文中披露，一次运行由编排器驱动循环：拆解问题、在 TinySearch 检索候选来源、按研究目标排序、用 TinyFetch 实时读取、单独抽取每条结论并附来源、对照原始问题查漏补缺、最后只依据已收集、带编号引用的结论成稿。产品已在 agent.tinyfish.ai/playground/research 上线，可实时查看计划、搜索、阅读和逐步成形的答案；同时支持用 Include/Exclude 域名单干预信源范围。
为什么重要
当前不少 AI 应用把检索、推理、写作都压给单个大模型，容易产生引用缺失和不可复核的答案。TinyResearch 的做法是把“规划”留给编排器、把“阅读”交给实时抓取工具、把“抽取”做成独立环节，让 Agent 的上下文只聚焦规划和找缺口。这代表研究型 Agent 的竞争点正从模型能力转向流程工程：检索质量、来源排序和引用可追溯性，可能比换用更强的大模型更能决定结果是否可用。
对用户/开发者/创作者的影响
普通用户可获得可逐步查看过程、每个结论附来源链接的研究报告，减少“看似合理但无法核实”的内容；开发者可注意到，设计 Agent API 时若下游调用方也是 Agent，就必须保证输入结构干净、证据可追溯，否则错误会沿任务链放大；内容创作者则多了一个快速对比类选题的调研入口，但域名单控制功能说明，专业场景仍需人工配置信源偏好。目前公开信息显示，作者还提到会在三个公开基准上评估，具体分数本次素材未给出，不宜据此判断其永久排名。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 playground 上的实际表现是否与作者描述的循环一致，尤其缺口复查是否真的会触发多轮检索；二是域名单控制、引用格式等能力是否开放为 API，供其他 Agent 调用；三是三个公开基准的具体结果和评测条件何时公开，以及竞品是否跟进“规划与抽取分离”的架构。
