渐进式披露是长上下文智能体的万灵药吗

长文档问答通常迫使人在两选项间取舍：把整份文档装进上下文窗口，或外挂一个独立检索器。智能体AI提示了更宽的选项：把文档路径交给智能体，由它决定怎么读、读什么。Agent Skills——一种把专长打包成文件夹、供智能体按需加载的标准——提供了现成机制：渐进式披露，只暴露查询所需的内容，从简短描述到具体段落。从业者迅速把该模式用于整本书级别的理解任务，但支持这种选择的证据一直是轶事性的。我们开展该模式的首个受控研究：在InfiniteBench上，跨三个智能体治控（harness）与三个模型家族，比较原始文档导航、若干Agent Skills包设计与经典混合检索器。在单本书上，收益取决于harness：当智能体对原始文档导航不佳时收益巨大，而当强harness已能自行分割检索时收益近乎零。扩展到跨多本书的任务时，原始文档导航崩溃，一层渐进式披露退化更慢并反超。第二层更深路由从不带来帮助、有时直接破坏准确率——一层就够。渐进式披露买到的是上下文而非智能：当强智能体能自己定位正确段落时它是冗余的，一旦语料大到无法靠阅读导航，它就成为决定性手段。