借助大语言模型(LLMs)驱动的深度研究代理正在快速发展;然而,在使用通用的测试时扩展算法生成复杂、长篇的研究报告时,其表现往往趋于瓶颈。受人类研究迭代本质的启发——这一过程包括搜索、推理与修订的循环——我们提出了测试时扩散深度研究者(TTD-DR)。这一新框架将研究报告的生成概念化为一个扩散过程。TTD-DR从一个初步草稿开始这一过程,该草稿是一个可更新的框架,作为不断演进的基础,用以引导研究方向。随后,该草稿通过一个“去噪”过程进行迭代优化,这一过程由一个检索机制动态支持,在每一步中引入外部信息。该核心过程进一步通过应用于代理工作流各个组件的自进化算法得到增强,确保为扩散过程生成高质量的上下文。这种以草稿为中心的设计使报告撰写过程更加及时、连贯,同时减少了迭代搜索过程中的信息丢失。我们证明,TTD-DR在需要密集搜索和多跳推理的多种基准测试中达到了最先进的水平,显著优于现有的深度研究代理。