用户离开后，自主深度研究会发生什么？

在自主深度研究中，用户提供任务和相关背景，然后让Agent进行扩展调查，而无需进一步的人工干预。我们研究初始用户信息如何反映在中间操作中以及这些操作如何与最终推荐相关。我们介绍 DRaligned，一个基于 PDR-Bench 构建的反事实行为评估框架。通过改变一项与任务相关的用户因素，同时保持其余上下文固定，我们可以比较信息获取请求、工作草案和最终报告。基于来源的抽取、盲评局部判断和确定性聚合产生粗略的方向测量，同时留下不明确的情况未解决。我们的实验表明，强大的特定于用户的交付可以从很大程度上共享的研究过程中产生：Agent调查类似的广泛问题，但以不同的方式分配请求，最终的建议比明确的请求更清楚地区分用户条件。报告还可以整合在获取过程中不共同可见的用户因素。在可读的草稿与报告比较中，尽管进行了大量重写，但建议通常仍保留其粗略的用户特定方向。即使执行路径发生变化，最终的方向差异也会在受测Agent模型、执行Harness及评审模型中重复出现。这些发现描述了初始用户信息如何塑造自主研究，并阐明Agent遵循的流程与其提供的建议之间的关系。