请列举当前主流的大语言模型相关应用产品，选择其中一到两款，从技术架构（如RAG、Agent等）、应用场景、用户体验优势及潜在改进空间等方面进行综合分析，说明其如何实现技术与产品价值的结合。

Agent 的核心优势

1. 突破单轮限制：多步骤迭代，复杂任务分解执行
2. 工具可扩展：添加新工具 = 获得新能力（无需重新训练）
3. 自主决策：根据中间结果动态调整策略
4. 任务自动化：减少人工干预，7x24 小时运行

拓业智询实际案例：
  企业输入：「分析我们公司利润率与同行对比，并预测下季度趋势」
  Agent 执行：
    Step 1: text2sql 查询企业内部财务数据
    Step 2: web_search 获取行业平均利润率
    Step 3: code_executor 绘制对比图表 + 趋势预测
    Step 4: LLM 生成专业分析报告
  全程无需人工干预，15秒内完成

Agent 的主要局限性

1. 稳定性问题
   多步骤任何一步失败可能导致整体任务失败
   解决：容错机制 + 重试策略 + 优雅降级

2. 成本问题
   每次推理需要多次 LLM 调用 + 工具调用
   API 成本是普通聊天的 5-10 倍
   解决：缓存策略 + 提前终止 + 精简 max_steps

3. 可解释性问题
   推理路径较长，用户难以理解每一步
   解决：记录完整 reasoning_steps，提供执行日志

4. 幻觉风险
   工具调用失败时，LLM 可能编造返回结果
   解决：强制要求 Observation 必须来自真实工具返回

Agent 工作流（Workflow）设计

# 工具是否应该组织为 Workflow？
# 优点：流程可视化、可复用、支持并行、易于调试
# 缺点：增加初始设计成本，灵活性略低

# 适合 Workflow 的场景：
# - 流程固定：报告生成、数据处理管道
# - 有并行需求：多路搜索同时进行
# - 需要复用：相同步骤在多个任务中复用

# 不适合 Workflow 的场景：
# - 完全动态：每次执行路径差异很大
# - 简单任务：1-2 步工具调用，不需要过度设计

DeepResearch Agent 架构（高阶案例）

DeepResearch Agent = LLM + 多轮迭代搜索 + 演进报告（IterResearch）

核心创新：用「演进报告（Evolving Report）」解决上下文溢出
  传统 ReAct：上下文随步数线性增长，20步后溢出
  IterResearch：每轮只保留 [问题 + 上轮报告 + 上轮动作 + 上轮观察]
                 上下文大小恒定，支持 100+ 步深度研究

训练流程：基座模型选择 -> Agentic CPT -> 数据构造 -> SFT 冷启动 -> RL 优化
  训练数据：从 187 条 -> 1000 条 -> 3000 条逐步扩展
  评估：格式分 + 工具选择准确率 + 答案准确率三维评估