不值得再多花一个token：面向高效深度研究智能体的边际价值估计

长程研究智能体通过迭代检索、聚合与综合解决开放式任务，但上下文快速增长，而新增证据的边际价值往往递减。这导致不必要的token成本、更高延迟，以及最终报告生成输入中的更多噪声。我们研究深度研究智能体中用于上下文管理的边际价值估计，并给出首个跨流水线各阶段的系统性剪枝策略分阶段比较。我们在检索前、检索后与综合前三个阶段评估轻量启发式准则与学习型价值模型。结果表明，剪枝效果更多取决于剪枝位置而非具体评分规则：早期剪枝带来最大的端到端节省，后期剪枝主要精炼最终综合上下文。轻量启发式在质量几乎不降的情况下最多减少73%的token使用量，学习型剪枝在特定权衡上仍有竞争力，且没有单一方法能在质量、效率与忠实性上全面胜出。这些发现为设计高效的长程agentic系统提供了实用指导。