Claude Code deep-research 模式：一次搜索，把 token 拉爆了

最近试了一下 Claude Code 的 deep-research 模式，结果一次搜索直接把 token 拉爆了。

---

什么是 deep-research

deep-research 模式会递归搜索和阅读相关资料，每一层都可能产生新的搜索。简单说就是 AI 帮你做文献综述。

逻辑大概是：

你提一个问题
→ AI 搜索相关文档
→ 阅读并提取关键信息
→ 发现有新的方向
→ 继续搜索
→ 继续阅读
→ 递归 N 轮
→ 汇总输出

---

坑在哪

Claude Code v2.1.201 的 deep-research 分三个阶段，最多 18 个 agent 并行：

Fetch      → 12 个 agent 并行搜索（每个 28k+ tokens）
Verify     → 对抗性验证（交叉确认信息准确性）
Synthesize → 汇总生成带引用的报告

光 Fetch 阶段：12 个 agent × 28k tokens = ~340k tokens。加上 Verify 和 Synthesize，一次完整调研轻松破 50 万 tokens。

更致命的是——deep-research 跑完，Plan 用量直接 100% 拉满：

一次搜索，一天配额清零。后续对话全部受限。

几个具体的坑：

1. 递归失控

AI 有时候会沿着一个方向无限深挖。比如你问”A 和 B 的区别”，它可能搜索到 C、D、E、F、G……每一层都产生新的搜索，指数级增长。

2. 重复搜索

同一篇文档可能被多次抓取和阅读。没有去重机制，或者去重不够好。

3. 付费提醒

如果你是用 API key 按 token 付费，deep-research 一次可能花掉你几美元到几十美元。如果开了这个功能忘记关，一天下来账单会很好看。

---

什么场景用，什么场景别用

✅ 适合用：

• 新领域调研，需要了解前沿进展
• 竞品分析，需要收集多来源信息
• 技术选型评估

❌ 不适合用：

• 简单的事实核查（一个搜索就够了）
• 已经有足够上下文的问题（别画蛇添足）
• 手头紧的时候

---

经验总结

1. 先想清楚要什么，再跑 deep-research。模糊的问题会导致递归失控。
2. 限制轮次。如果可以设置最大递归层数，设一个合理的值（3-5 轮）。
3. 监控 token 消耗。随时关注使用量，发现不对劲立刻停。
4. 把 deep-research 当特种兵用，别当普通步兵。只在关键问题上用。

---

这个功能潜力很大——真正的”AI 自动调研”——但目前的实现还比较粗糙。期待后续版本能加更多控制选项。