使用结构化工具进行渐进式开放式深度研究

现有的开放式深度研究（OEDR）系统主要从头开始生成报告，这对于需要随着新信息的出现而不断维护研究报告的场景来说效率低下。我们引入了 \textbf{增量开放式深度研究（增量-OEDR）}，这是一种研究设置，将报告视为不断发展的研究状态，并通过保留有效知识、修改过时或不完整的内容以及纳入新的可用信息来增量更新它。为了支持这种设置，我们提出 \textbf{Structured Harness}，它将报告表示为大纲、章节和支持证据的结构化集合，并提供结构化检索、持久结构化证据池以及用于选择性报告更新和证据重用的结构化生成。我们进一步建立了一个跨越十年的时间评估框架，用 \emph{单步任务} 和 \emph{长链任务} 来评估单个转换和长期更新链上的增量更新。 DeepResearch Bench 上的广泛实验和 开源配置（OC）和专有配置（PC）下的 DeepConsult 均表明，Incremental-OEDR 保持有竞争力的报告质量，同时大幅提高报告连续性并降低研究成本。如图~\ref{fig:profile}所示，与 DeepResearch Bench 上的 OEDR 相比，它的内容级别 ROUGE-L F1 高出 0.51，大纲级别 EM F1 高出 0.63，token消耗低 33%，搜索调用少 61%。欲了解更多详情，请参阅我们的项目页面：https://ioedr-project.github.io/.