DeepResearch 完成查询所需的时间取决于三个主要因素：查询的复杂性、所需的处理步骤以及处理工作负载的基础设施。每个因素都引入了变量，这些变量可能会加快或减慢系统的响应速度，具体取决于它们的配置或优化方式。
首先，查询的复杂性和范围直接影响执行时间。 例如，查询要求一个简单的事实，例如“加拿大的人口”，则只需要最少的数据检索和交叉引用。 相比之下，诸如“比较过去五年欧盟和美国人工智能监管的经济影响”之类的查询需要汇总来自多个来源的数据，过滤掉不相关的信息并综合结果。 此外，如果查询涉及实时数据（例如，股票价格）与静态数据集（例如，历史人口普查数据）相比，则获取实时更新的需求会引入延迟。 数据源的数量及其响应时间（例如，慢速 API 或速率受限的数据库）可能会造成瓶颈，尤其是在系统等待外部服务回复时。
其次，数据转换、分析和格式化等处理步骤会影响持续时间。 例如，需要自然语言处理 (NLP) 来解释模棱两可的术语或情感分析来衡量公众舆论的查询会增加计算开销。 用于摘要或趋势检测等任务的机器学习模型的速度也各不相同； 轻量级模型可能在几毫秒内处理数据，而更大、更准确的模型可能需要几秒钟。 数据量也发挥作用：解析 10,000 个文档比 100 个文档花费的时间更长。 开发人员可以通过缓存中间结果或预索引频繁访问的数据来优化此过程，但这些优化取决于用例。
最后，基础设施和资源分配决定了基准性能。 在 RAM 有限的单台服务器上运行的查询将比在集群中分布的查询处理速度慢。 服务之间的网络延迟（例如，数据库调用、API 网关）会增加开销，尤其是在云环境中。 争夺资源（例如 CPU 时间或数据库连接）的并发查询可能会排队，从而增加等待时间。 例如，处理 100 个并发查询的系统可能会使用调度程序对它们进行优先级排序，但如果硬件不足，延迟会加剧。 横向扩展（添加更多服务器）或纵向扩展（升级硬件）可以缓解这种情况，但需要平衡成本和性能。