大多数检索增强系统把文献搜索视为一次检索后直接摘要的流程，而真实的文献研究会随着阅读而不断调整对问题的理解，产生新的子问题，并对证据进行权衡。Optimist Deep Research 是一个开源代理，它将文献研究建模为在显式可变的研究状态上进行的迭代证据获取过程。
研究问题被拆解为子问题树，每个子问题对应搜索意图，这些意图会被翻译为针对 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 以及网络的源特定查询。检索结果通过四层保守去重层级合并到一个保持来源信息的文档登记册中。登记册随后通过引用雪球式扩展直至满足饱和准则，再进行筛选、排序，并以轮询方式分配给各子问题。文档并行读取，生成结构化的证据库，记录每条主张的支持、位置、类型和强度。
一个批评者会在八个维度上审视当前状态，并返回研究动作而非二元判断：可以添加、拆分、改写、降级或关闭子问题，从而使研究计划既是输入也是输出。最终报告按章节从证据库生成，每条引用都指向检索得到的文档。我们阐述了系统设计、保持语言模型流水线可审计的确定性机制，并展示了一个案例：在约三分半钟内读取了 28 篇共 237 篇检索文档。案例也揭示了一些不足之处。
点评：该系统通过显式状态管理和迭代检索，实现了更接近人类研究的流程，但在证据评估的细粒度和大规模文档处理上仍有提升空间。