TVIR: Building Deep Research Agents Towards Text--Visual Interleaved Report Generation
TVIR：面向文本-视觉交错报告生成的深度研究智能体
🧭 深度研究智能体的多模态报告生成与评估 ★ 深度解读
Nanjing University · Alibaba Group
首个同时评估文本与视觉证据的多模态深度研究基准与多智能体框架，揭示现有系统重文字轻视觉的短板
📌 工作参考价值（4 点）
- 多模态报告生成可复用范式：TVIR-Agent 的“规划-视觉素材实例化-顺序写作-全局整理”四阶段流水线可直接用于电商市场分析报告、竞品追踪等长文生成，其中将视觉需求（检索图片、代码生成图表）显式纳入大纲规划的思路能显著提升图文一致性。
- 视觉证据的可靠性检查：通过 Chart Generator 自动爬取数据、交叉验证并生成代码图表，保留数据源 URL，同时用 VQA 工具过滤低质量检索图片，这类机制可迁移到商品分析、库存预警等需要数据可视化且要求来源可追溯的业务场景。
- 双路评估框架的启发：将评估分解为文本评估（引用支持、指令对齐、写作质量等）和视觉评估（图表质量、图文整合、源一致性）的范式，可复用来构建电商领域生成内容（如商品详情页、营销文章）的质量审查系统，重点检测装饰性 vs 证据性配图的差异。
- 多智能体角色分工：Planner+Image Searcher+Chart Generator+Writer+Polisher 的松耦合设计，允许按需替换或升级单个组件，适合团队并行开发；针对电商 Agent，可将 Writer 替换为适配商品描述的风格模块，或将 Image Searcher 接入内部图库。