面對複雜研究課題，傳統的手動搜尋耗時費力，而大模型結合連網搜尋的功能也往往難以進行深度、系統的分析。深入研究模型（Qwen-Deep-Research）能自動規劃研究步驟、執行多輪的深入搜尋與資訊整合，並最終產生一份結構化的研究報告。
本文檔僅適用於中國大陸版（北京）。如需使用模型，需使用中國大陸版（北京）的API Key。
快速開始
您需要已擷取與配置 API Key並配置API Key到環境變數（準備下線，併入配置 API Key）。如果通過SDK調用，還需要安裝DashScope SDK。
模型採用兩步式工作流程：反問確認（明確研究範圍）和深入研究（執行搜尋並產生報告）。
模型目前僅可通過 DashScope SDK 調用，暫不支援 Java 版 DashScope SDK，也不支援 OpenAI 相容介面調用。
import os
import dashscope
# 配置API Key
# 若沒有配置環境變數，請用百鍊API Key將下行替換為：API_KEY = "sk-xxx"
API_KEY = os.getenv('DASHSCOPE_API_KEY')
def call_deep_research_model(messages, step_name):
print(f"\n=== {step_name} ===")
try:
responses = dashscope.Generation.call(
api_key=API_KEY,
model="qwen-deep-research",
messages=messages,
# qwen-deep-research模型目前僅支援流式輸出
stream=True
# incremental_output=True 使用增量輸出請添加此參數
)
return process_responses(responses, step_name)
except Exception as e:
print(f"調用API時發生錯誤: {e}")
return ""
# 顯示階段內容
def display_phase_content(phase, content, status):
if content:
print(f"\n[{phase}] {status}: {content}")
else:
print(f"\n[{phase}] {status}")
# 處理響應
def process_responses(responses, step_name):
current_phase = None
phase_content = ""
research_goal = ""
web_sites = []
references = []
keepalive_shown = False # 標記是否已經顯示過KeepAlive提示
for response in responses:
# 檢查響應狀態代碼
if hasattr(response, 'status_code') and response.status_code != 200:
print(f"HTTP返回碼：{response.status_code}")
if hasattr(response, 'code'):
print(f"錯誤碼：{response.code}")
if hasattr(response, 'message'):
print(f"錯誤資訊：{response.message}")
print("請參考文檔：https://www.alibabacloud.com/help/zh/model-studio/error-code")
continue
if hasattr(response, 'output') and response.output:
message = response.output.get('message', {})
phase = message.get('phase')
content = message.get('content', '')
status = message.get('status')
extra = message.get('extra', {})
# 階段變化檢測
if phase != current_phase:
if current_phase and phase_content:
# 根據階段名稱和步驟名稱來顯示不同的完成描述
if step_name == "第一步：模型反問確認" and current_phase == "answer":
print(f"\n 模型反問階段完成")
else:
print(f"\n {current_phase} 階段完成")
current_phase = phase
phase_content = ""
keepalive_shown = False # 重設KeepAlive提示標記
# 根據階段名稱和步驟名稱來顯示不同的描述
if step_name == "第一步：模型反問確認" and phase == "answer":
print(f"\n 進入模型反問階段")
else:
print(f"\n 進入 {phase} 階段")
# 處理Answer階段的references資訊
if phase == "answer":
if extra.get('deep_research', {}).get('references'):
new_references = extra['deep_research']['references']
if new_references and new_references != references: # 避免重複顯示
references = new_references
print(f"\n 引用來源 ({len(references)} 個):")
for i, ref in enumerate(references, 1):
print(f" {i}. {ref.get('title', '無標題')}")
if ref.get('url'):
print(f" URL: {ref['url']}")
if ref.get('description'):
print(f" 描述: {ref['description'][:100]}...")
print()
# 處理WebResearch階段的特殊資訊
if phase == "WebResearch":
if extra.get('deep_research', {}).get('research'):
research_info = extra['deep_research']['research']
# 處理streamingQueries狀態
if status == "streamingQueries":
if 'researchGoal' in research_info:
goal = research_info['researchGoal']
if goal:
research_goal += goal
print(f"\n 研究目標: {goal}", end='', flush=True)
# 處理streamingWebResult狀態
elif status == "streamingWebResult":
if 'webSites' in research_info:
sites = research_info['webSites']
if sites and sites != web_sites: # 避免重複顯示
web_sites = sites
print(f"\n 找到 {len(sites)} 個相關網站:")
for i, site in enumerate(sites, 1):
print(f" {i}. {site.get('title', '無標題')}")
print(f" 描述: {site.get('description', '無描述')[:100]}...")
print(f" URL: {site.get('url', '無連結')}")
if site.get('favicon'):
print(f" 表徵圖: {site['favicon']}")
print()
# 處理WebResultFinished狀態
elif status == "WebResultFinished":
print(f"\n 網路搜尋完成，共找到 {len(web_sites)} 個參考資訊源")
if research_goal:
print(f" 研究目標: {research_goal}")
# 累積內容並顯示
if content:
phase_content += content
# 即時顯示內容
print(content, end='', flush=True)
# 顯示階段狀態變化
if status and status != "typing":
print(f"\n 狀態: {status}")
# 顯示狀態說明
if status == "streamingQueries":
print(" → 正在產生研究目標和搜尋查詢（WebResearch階段）")
elif status == "streamingWebResult":
print(" → 正在執行搜尋、網頁閱讀和代碼執行（WebResearch階段）")
elif status == "WebResultFinished":
print(" → 網路搜尋階段完成（WebResearch階段）")
# 當狀態為finished時，顯示token消耗情況
if status == "finished":
if hasattr(response, 'usage') and response.usage:
usage = response.usage
print(f"\n Token消耗統計:")
print(f" 輸入tokens: {usage.get('input_tokens', 0)}")
print(f" 輸出tokens: {usage.get('output_tokens', 0)}")
print(f" 請求ID: {response.get('request_id', '未知')}")
if phase == "KeepAlive":
# 只在第一次進入KeepAlive階段時顯示提示
if not keepalive_shown:
print("當前步驟已經完成，準備開始下一步驟工作")
keepalive_shown = True
continue
if current_phase and phase_content:
if step_name == "第一步：模型反問確認" and current_phase == "answer":
print(f"\n 模型反問階段完成")
else:
print(f"\n {current_phase} 階段完成")
return phase_content
def main():
# 檢查API Key
if not API_KEY:
print("錯誤：未設定 DASHSCOPE_API_KEY 環境變數")
print("請設定環境變數或直接在代碼中修改 API_KEY 變數")
return
print("使用者發起對話：研究一下人工智慧在教育中的應用")
# 第一步：模型反問確認
# 模型會分析使用者問題，提出細化問題來明確研究方向
messages = [{'role': 'user', 'content': '研究一下人工智慧在教育中的應用'}]
step1_content = call_deep_research_model(messages, "第一步：模型反問確認")
# 第二步：深入研究
# 基於第一步的反問內容，模型會執行完整的研究流程
messages = [
{'role': 'user', 'content': '研究一下人工智慧在教育中的應用'},
{'role': 'assistant', 'content': step1_content}, # 包含模型的反問內容
{'role': 'user', 'content': '我主要關注個人化學習和智能評估這兩個方面'}
]
call_deep_research_model(messages, "第二步：深入研究")
print("\n 研究完成！")
if __name__ == "__main__":
main()
echo "第一步：模型反問確認"
curl --location 'https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation' \
--header 'X-DashScope-SSE: enable' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"input": {
"messages": [
{
"content": "研究一下人工智慧在教育中的應用",
"role": "user"
}
]
},
"model": "qwen-deep-research"
}'
echo -e "\n\n"
echo "第二步：深入研究"
curl --location 'https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation' \
--header 'X-DashScope-SSE: enable' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"input": {
"messages": [
{
"content": "研究一下人工智慧在教育中的應用",
"role": "user"
},
{
"content": "請告訴我您希望重點研究人工智慧在教育中的哪些具體應用情境？",
"role": "assistant"
},
{
"content": "我主要關注個人化學習方面",
"role": "user"
}
]
},
"model": "qwen-deep-research"
}'
模型列表
模型名稱 | 上下文長度 (Token) | 最大輸入 (Token) | 最大輸出 (Token) |
qwen-deep-research | 1,000,000 | 997,952 | 32,768 |
核心能力
模型通過 phase 和 status 欄位展示工作流程。phase 表示當前執行的核心任務，status 表示該任務的內部進度。
反問確認與報告產生 (phase: "answer")
模型分析使用者初始問題，提出細化問題確認研究範圍。在產生最終報告時，此階段複用。
狀態變化：
typing: 正在產生常值內容finished: 常值內容產生完畢
研究規劃 (phase: "ResearchPlanning")
根據使用者需求制定研究大綱。
狀態變化：
typing: 正在產生研究計劃finished: 研究計劃制定完成
網路搜尋 (phase: "WebResearch")
執行搜尋並處理資訊。
狀態變化：
streamingQueries: 正在產生用於搜尋的查詢詞streamingWebResult: 正在執行網路搜尋並分析網頁內容WebResultFinished: 網路搜尋與資訊提取完成
串連保持 (phase: "KeepAlive")
在長任務間隙發送，維持串連。此階段不包含業務內容，可忽略。
計費說明
模型名稱 | 輸入成本 (每千Token) | 輸出成本 (每千Token) | 免費額度 |
qwen-deep-research | $0.007742 | $0.023367 | 無免費額度 |
計費方式：計費基於輸入和輸出Token總量。輸入Token包含使用者訊息內容和模型內建的系統提示詞。輸出Token包含反問確認、研究計劃、研究目標、搜尋查詢和最終研究報告等所有產生內容。
應用於生產環境
流式輸出處理
模型僅支援流式輸出（stream=True）。處理響應時需正確解析 phase 和 status 欄位，判斷當前階段和完成狀態。
錯誤處理
檢查響應狀態代碼，非200狀態需處理錯誤。流式響應早期階段某些響應塊可能只包含中繼資料，後續塊會包含實際內容。
Token消耗監控
在 status 為 finished 時，通過 response.usage 擷取Token消耗統計，包括輸入Tokens、輸出Tokens和請求ID。
串連管理
模型可能在長任務間隙發送 KeepAlive 階段響應，用於維持串連。可忽略此階段內容，繼續處理後續響應。
常見問題
為什麼某些響應塊的
output為空白？在流式響應的早期階段，某些響應塊可能只包含中繼資料資訊，後續塊會包含實際內容。
如何判斷某個階段是否完成？
當
status欄位變為 "finished" 時，表示當前階段完成。模型是否支援OpenAI相容介面調用？
模型目前暫不支援通過OpenAI相容介面調用。
模型的輸入與輸出Token數量是如何計算的？
輸入Token包含使用者發送的訊息內容和模型內建的系統提示詞，包括使用者問題、使用者回答和系統提示詞。輸出Token包含模型在整個研究過程中產生的所有內容，包括反問確認內容、研究計劃、研究目標、搜尋查詢和最終研究報告。
API參考
關於Qwen-Deep-Research模型的輸入與輸出參數，請參考Qwen-Deep-Research 深入研究模型。
錯誤碼
如果模型調用失敗並返回報錯資訊，請參見錯誤資訊進行解決。
限流
模型限流觸發條件請參考：限流。