이 논문은 AI 에이전트가 웹 규모의 방대한 정보를 통합하여 통찰력 있는 보고서를 생성해야 하는 복잡한 도전 과제인 개방형 심층 연구(Open-ended Deep Research, OEDR)를 다룬다. 기존의 접근 방식은 두 가지 주요한 한계에 시달리고 있다. 첫째, 계획 수립과 증거 수집을 분리한 정적 연구 파이프라인이며, 둘째, 한 번의 생성 과정만을 수행하는 파라다임으로, 장문의 컨텍스트 처리 시 '중간 정보 손실'이나 환각(Hallucination)과 같은 문제에 쉽게 노출된다. 이러한 문제를 해결하기 위해 우리는 인간의 연구 과정을 모방하는 새로운 이중 에이전트 프레임워크인 WebWeaver를 제안한다. 계획 에이전트는 동적 순환 구조에서 증거 수집과 개요 최적화를 반복적으로 병행하여, 증거 메모리 백엔드와 연결된 포괄적이고 근거 기반의 개요를 생성한다. 이후 작성 에이전트는 계층적 검색과 작성을 단계별로 수행하여 보고서를 구성한다. 각 섹션에 필요한 증거만 메모리 백엔드에서 타겟팅하여 검색함으로써, 장문의 컨텍스트 문제를 효과적으로 완화한다. 제안한 프레임워크는 DeepResearch Bench, DeepConsult, DeepResearchGym 등 주요 OEDR 벤치마크에서 새로운 최고 성능을 달성하며, 인간 중심적이고 반복적인 접근 방식의 타당성을 입증한다. 이는 적응형 계획과 집중적 통합이 고품질, 신뢰성 있고 체계적인 보고서 생성에 필수적임을 보여준다.