MiroThinker：让 AI 真正学会「深度研究」

你有没有过这样的经历——问 AI 一个复杂问题，它秒回一个听起来很专业但根本经不起推敲的答案？问题在于，大多数 AI 模型擅长「直觉反应」，却不擅长「深入研究」。当研究任务需要追踪多层级信息、反复验证数据、跨多个信息源交叉对比时，普通模型的弱点就暴露无遗。

MiroThinker 正是为解决这一痛点而生的深度研究智能体（Deep Research Agent）。它由 AI 公司 MiroMind 开发，瞄准的是 AI 研究工具链中最有价值的应用场景：让机器像人类研究员一样，进行长达数十步甚至数百步的深度信息探索。

图1：MiroThinker 项目 Logo

🎯 它能做什么？

MiroThinker 的核心能力可以用一句话概括：给定一个复杂的研究问题，它能自主规划搜索路径、调用工具、收集证据、逐步推理，最终输出一份有据可查的研究报告。

深度研究工作流

与传统聊天机器人不同，MiroThinker 内置了完整的多步研究管线：

• 搜索引擎集成：通过 Serper API 接入 Google 搜索，支持中英文多语言信息检索
• 网页抓取引擎：借助 Jina API 提取网页内容，快速获取原始资料
• 长上下文推理：支持高达 256K token 的上下文窗口，足以容纳一整本研究论文的上下文
• 工具调用上限：单个研究任务最多可发起 300 次工具调用，覆盖搜索→抓取→分析→推理的完整链路

这意味着 MiroThinker 不只是回答问题，而是真正地「做研究」——它会先制定搜索计划，再逐层深入，最终整合多个信息源形成结论。### 多版本模型选择

MiroThinker 采用「小步快跑」的发布策略，版本迭代非常活跃：

基础模型均基于 Qwen3 系列（Qwen3-30B-A3B-Thinking 和 Qwen3-235B-A22B-Thinking）进行深度后训练，针对工具调用和长程推理做了专项优化。

图2：MiroThinker-1.7 在主流基准测试上的表现

📊 性能有多强？

MiroThinker 在多个权威基准测试上刷新了开源模型的记录：

这些数字背后的含义是：MiroThinker 不仅在中文场景（BrowseComp-ZH）领先，在英文通用研究任务上也达到了与商业产品相近的水准。2026 年 3 月发布的 MiroThinker-1.7 更是将中文搜索能力推向了 75.3% 的新高度。

图3：GAIA 基准测试各模型对比

🔧 技术架构

MiroThinker 的技术栈可以用「稳扎稳打」来形容：

• 语言模型：Qwen3 系列（30B / 235B），经过后训练强化推理能力
• Python 生态：使用 uv 进行依赖管理和包发布（monorepo 结构）
• 代码质量工具：集成 ruff（lint + format）、reuse（许可证检查）
• 工具库：独立的 miroflow-tools 库，模块化设计便于复用
• 代码规范：采用 Apache 2.0 许可证，代码仓库规范清晰

项目采用 monorepo 结构，组织如下：

MiroThinker/
  apps/
    gradio-demo/     # Gradio Web UI（可选部署）
    miroflow-agent/  # 核心 agent 实现
    collect-trace/   # 轨迹收集工具
    visualize-trace/ # 轨迹可视化
  libs/
    miroflow-tools/  # 工具函数库
  justfile          # 统一任务脚本

图4：MiroThinker 多版本性能对比

⚠️ 局限与挑战

尽管 MiroThinker 取得了令人印象深刻的效果，它同样面临一些现实问题：

1. 硬件门槛高：235B 版本需要约 500GB 显存，单卡 A100/H100 才能运行。30B 版本虽然门槛低一些，但仍需要高端 GPU 才能流畅推理。

2. API 依赖：搜索和网页抓取依赖 Serper 和 Jina 的付费 API，纯本地化部署无法绕过这一限制。

3. 速度与成本：每次深度研究可能触发数百次工具调用，延迟和成本都不低。

4. 长尾问题：在极度冷门或最新事件上，工具调用的准确性仍有波动。

🚀 如何使用

在线体验（最简单）

访问 dr.miromind.ai 直接使用 MiroThinker 在线版，支持研究报告生成和文档上传（PDF/DOC/PPT/XLS/JPG）。

本地部署 Gradio Web UI

git clone https://github.com/MiroMindAI/MiroThinker
cd MiroThinker/apps/gradio-demo

# 配置环境变量（必需）
cp .env.example .env
# 编辑 .env，填入 SERPER_API_KEY 和 JINA_API_KEY

# 运行
uv sync
uv run python main.py

需要 Python >= 3.12，且拥有 HuggingFace 模型访问权限。## 💡 意义与展望

MiroThinker 的出现代表了开源 AI 社区在「深度研究 Agent」这一赛道上的一次重要突破。

它验证了一个关键假设：在工具调用和长程推理方面，开源模型通过后训练优化，可以逼近甚至超越参数规模更大的商业模型。 30B 级别的 MiroThinker-1.7-mini 在中文搜索任务上超越了许多百亿级参数的模型，证明了「后训练 + 专项优化」路线的有效性。

未来，随着模型量化技术的成熟和硬件成本的下降，这类深度研究 Agent 有望从研究实验室走向更广泛的企业和个人用户场景——从金融分析、市场调研，到学术文献综述，MiroThinker 们正在重新定义「AI 能做什么」。