ScaffoldAgent：面向开放式深度研究的效用引导动态大纲优化

开放式深度研究（OEDR）要求系统经多轮检索获取知识——并生成连贯的长篇报告。大纲作为协调检索、证据组织与生成的结构脚手架起中心作用。但既有方法要么在写作前固定大纲——要么以局部启发式精化——导致持续信息积累下的脚手架漂移与评估大纲修改的反馈延迟。我们提出ScaffoldAgent——面向OEDR的效用引导动态大纲优化框架。ScaffoldAgent把大纲演化建模为含三个操作（扩展、收缩、修订）的结构化决策过程——实现对报告脚手架的受控更新。它进一步引入效用引导的反馈机制——从检索增益、结构连贯性与试生成质量估计每个大纲操作的下游价值。所得效用信号引导推理期间的选择、操作调度与终止。在DeepResearch Bench与DeepResearch Gym上的实验表明ScaffoldAgent持续改进长篇报告生成与事实锚定——超越既有深度研究智能体。