你有没有遇到过这样的情况：写一份行业分析报告，刚憋了三天写完，第二天就看到新闻说又有新技术发布了。于是你面临一个选择，要么假装没看见，要么把整份报告推倒重写。

绝大多数人会选择后者，因为这似乎更"严谨"。但如果你是一个每周都要更新这份报告的分析师，你会疯掉。

现在的AI深度研究系统，正是这样一个会疯掉的分析师。

**它们每次都是从零开始写报告，哪怖只有一个数据点变了。**

这篇来自小红书和浙江大学的论文，就是想解决这个问题。它提出了一个新的研究范式，叫做"增量式开放域深度研究"，核心想法朴素到几乎有点反直觉：报告不应该每次重写，而应该像活的东西一样被"养"大。

### 深度研究到底是什么，它现在卡在哪里

先说清楚背景。

过去两年，AI圈子里出现了一类叫做"Deep Research"的产品，OpenAI、谷歌、Anthropic都做了自己的版本。这些系统能做的事情，远超传统的问答机器人：你给它一个复杂的研究课题，比如"分析一下固态电池行业的技术路线和商业化进度"，它会自己去搜索网页、阅读资料、交叉验证、最后产出一份几千字的、带引用的研究报告。

> 开放域深度研究（OEDR）*：让AI自主规划研究路径、搜索证据、验证信息、最终生成一份完整研究报告的系统，区别于只回答单个问题的传统问答系统。

这类系统目前分两大流派。一种是"工作流派"，先定好大纲，再按大纲去搜索填充内容，像是提前画好施工图再盖楼，优点是稳定可控，缺点是遇到意外发现时没法灵活调整。另一种是"智能体派"，让AI自己边搜边想边改计划，更灵活，但也更难预测。

论文里用到的ms-agent（阿里ModelScope出品的开源智能体系统）属于后者，用一个"研究员"智能体统筹，再分别调度"搜索员"和"报告撰写员"两个子智能体干活。这套组合在开源系统里是目前的性能标杆。

但无论哪个流派，都有一个共同的盲点：它们都假设每一次任务都是全新的。你问它关于AI大模型发展的问题，它从零开始查，查完就把报告扔给你，下次你再问，它完全不记得上次查过什么，又从零开始查一遍。

这就好比你雇了一个记忆只有一天的侦探，每次破案都得重新审一遍所有证人，哪怖是同一个案子的后续调查。证人没变，证词没变，但侦探坚持要把流程走一遍，因为他压根不记得之前问过什么。

这件事在"一次性"的场景里不算大问题。你写一份报告，用完就完了，谁管它效率。但现实世界里大量的研究需求根本不是一次性的。

一份跟踪AI行业的分析报告，可能需要每个月更新一次，因为总有新模型发布。一份宏观经济研究，可能需要每季度更新，因为统计数据会更新。一份追踪某个科研领域进展的综述，可能需要每年回顾一次。

如果每次更新都要把整篇报告推倒重写，会发生两个很糟糕的事情。

第一是浪费。报告里真正变化的部分可能只有一小块，但系统要为了这一小块重新搜索一遍整个主题涉及的所有信息，相当于为了换一颗螺丝把整台机器拆了。

第二，也更要命的是不一致。每次独立生成的报告，哪怖信息几乎没变，结构和措辞也可能南辕北辙。这意味着你没法把两期报告放在一起对比着看，因为它们看起来像是两份完全不同的文档，而不是同一份文档的两个版本。

这两个问题加在一起，构成了论文想要解决的核心矛盾：**现有的深度研究系统，天生不适合需要持续维护的场景。**

### 把报告当成活的东西：增量式深度研究是什么

论文提出的解法叫Incremental-OEDR，中文可以理解为"增量式开放域深度研究"。

它的核心转变其实只有一句话：**报告不再是任务的终点，而是研究状态的一部分。**

用公式表达会更清楚。传统的深度研究，公式是"报告 = 研究(问题, 当前信息)"，每次都只看问题本身和当下能查到的信息。而增量式深度研究的公式变成了"报告 = 研究(问题, 上一版报告, 当前信息)"，多了一个输入，就是上一次的报告。

这个多出来的输入看起来简单，但它意味着整个系统的工作方式要彻底改变。系统不再是"重新研究一遍"，而是要去判断：报告里哪些内容还站得住，哪些内容已经过时了，哪些是全新冒出来的、之前报告里压根没提到的。

这就像你去医院复查。第一次体检，医生要给你做全套检查，从头到脚；但半年后你复查，医生主要看的是上次有问题的那几项指标有没有变化，再问问有没有新出现的症状。如果每次复查都从头做一次全套CT加抽血，不仅费钱费时，病人也受不了。**医生要做的不是重新诊断你这个人，而是更新对你健康状况的理解。**

要让AI系统做到这一点，光靠一句"请参考上一版报告"是不够的。研究团队发现，如果只是把旧报告原文丢给模型当参考，模型往往还是会倾向于重写，因为它没有办法精确地知道报告里哪一句话对应着哪一条证据，也没法去验证那条证据现在是不是还成立。

于是论文设计了一整套配套机制，叫做"结构化挽具"（Structured Harness）。

### 结构化挽具：给AI一副能拆解报告的手套

"挽具"这个词选得挺有意思，英文原词harness，本来指的是给马或者登山者戴的那套绳索装置，让它能够承力又能灵活移动。放在这里，意思是给AI智能体一套工具，让它能够抓住报告的筋骨，而不是把报告当成一整块没法下手的石头。

> 结构化挽具（Structured Harness）*：论文提出的核心框架，把报告拆解成大纲、章节、证据三层结构，并配套提供结构化检索、持久化证据池、结构化生成三种能力，让AI能够精准定位和修改报告的某一部分，而不必整篇重写。

具体来说，结构化挽具由一个"结构化表示"加三个能力组成。

第一层是结构化表示，就是把一份报告拆解成三个部分：大纲（outline）、章节（sections）、证据（evidence）。这就像给一本书建立了详细的目录加脚注索引，而不是一整块连续的文字。

有了这个拆解，AI才能做到"结构化检索"，也就是精准地只去读报告里跟当前任务相关的那一小块，而不用把整篇报告都塞进上下文窗口里重新理解一遍。

这里要停下来想一想，为什么这件事重要。假设你是律师，要修改一份合同里关于违约责任的条款，你肯定不会把整本合同重新从头读一遍再去动笔，你会直接翻到那一页。如果每次改合同都要把全文从头细读一遍才敢下笔，你的工作效率会直接腰斩，而且很容易在重读的过程中不小心改动了本不该动的句子。**结构化检索做的就是让AI能够"翻到那一页"，而不是每次都从头读。**

第二个能力是"持久化证据池"（Structured Evidence Pool），这是整篇论文里我觉得设计得最巧妙的一块。

传统系统查完资料写完报告，这些查到的网页、资料就被扔掉了。下次再查，等于从零开始。而增量式系统把每一条用过的证据都存了下来，记录它的网址、标题、原始内容，以及最后一次更新的时间。

这个证据池支持两件事：旧证据更新和新证据发现。

旧证据更新的做法挺聪明，系统会定期批量去重新抓取之前引用过的那些网页，然后比较新抓到的内容和之前存的版本有多像。如果相似度足够高，说明这个网页基本没变，直接跳过，不用再花算力去理解它。只有当相似度低于某个阈值（论文里设定是0.9），系统才会真正叫AI去读一遍新旧内容的区别，做出"这个事实变了"的判断。

这个设计省掉了大量不必要的计算。想象你是记者，每天都要核实几十个消息源有没有更新内容。如果每天都把每个网页从头读一遍去判断有没有变化，你很快就累垮了。有经验的记者会用一个更简单的办法：先快速扫一眼页面长得和昨天是不是差不多，只有感觉"好像哪里不一样了"的时候，才真的坐下来细读。**这个"先扫一眼再决定要不要细读"的分级处理，正是证据池省力气的关键，如果省掉这一步，系统每次更新都得把所有旧证据重新完整处理一遍，等于白白浪费掉之前积累的所有工作。**

新证据发现则很直接：AI做新搜索时发现的新资料，自动存进证据池，供以后反复使用。

第三个能力是"结构化生成"，也就是报告怎么被改写。系统不再是"写一份新报告"，而是把每个章节标记成三种状态之一：保留（内容依然有效，原文不动）、修订（内容过时或不完整，需要更新）、扩展（有新信息值得补充，但原有内容也该留着）。这个三分类听起来简单，但它真正改变了AI的"写作心态"，从"我要重新证明这件事"变成了"我要确认这件事有没有变"。

论文里还给出了一张示意图，展示证据池是怎么随时间演化的。旧证据被重新抓取、算相似度、如果变化不大就标记"未变"，变化大就触发差异分析；新证据被加进来，附带它被发现的时间戳。整个流程里，只有涉及真正判断内容变没变的那几步才需要调用AI模型，大部分机械性的比对工作交给简单的程序逻辑就能完成。

### 怎么证明这套方法真的有用：十年时间轴测试

光说方法好不够，论文设计了一套相当讲究的评测体系。

研究团队做了一件挺硬核的事情：他们用搜索引擎Tavily的时间限制功能，人为地把时间拉回到2016年到2025年这十年里的每一个12月31日，强制让AI系统只能看到那个时间点之前发布的信息。相当于给AI系统做了一次时间旅行实验，看看它在不同历史时刻会写出什么样的报告。

基于这个设定，论文设计了两种任务。

第一种叫"单步任务"（SST），测的是单次更新的效果：给系统一份去年写好的报告，让它更新到今年，然后拿这份更新后的报告跟"完全从零重新写一份今年的报告"做对比。

第二种叫"长链任务"（LCT），测的是连续多次更新能不能撑得住：从2016年的报告开始，一年一年往后更新，一直更新到2025年，看看这条长链走下来，报告质量会不会越走越垮。

> SST（单步任务）与LCT（长链任务）*：论文设计的两种评测方式，SST测试单次更新的效果，LCT测试连续多次更新后系统是否仍能保持质量，两者分别对应真实场景里"偶尔更新一次"和"持续长期维护"两种需求。

评测的角度分成三块：报告质量、报告连续性、研究成本。质量用的是DeepResearch Bench和DeepConsult这两个业内常用的评测基准自带的打分标准，连续性用ROUGE-L、BLEU-4、精确匹配这类文本相似度指标去衡量前后两版报告有多像，成本则直接看消耗了多少token和搜索次数。

> ROUGE-L、BLEU-4、EM F1*：都是衡量两段文本相似程度的指标，常用于机器翻译和文本摘要评测，这里被用来衡量新旧两版报告在内容和结构上有多相似。

实验结果出来之后，有几个数字值得细看。

在DeepResearch Bench这个基准上，开源配置下，单步任务的增量式方法平均质量得分是49.11，而完全重写的基线是48.75，增量方法反而略胜一筹。长链任务更夸张，连续更新十年之后，平均分达到49.20，比基线高出0.45分。这说明持续更新并不会让报告质量越滚越差，反而可能因为积累的信息更扎实而略有提升。

更惊人的差距出现在"连续性"这项指标上。重写出来的两版报告，内容层面的ROUGE-L相似度只有0.17，大纲层面的精确匹配只有0.04，相当于每次重写几乎都是一份新文档。而增量方法在单步任务里能把内容相似度拉到0.57，大纲相似度拉到0.60，长链任务里更是分别冲到0.68和0.67。

这个数字差距背后藏着什么意思？

0.04的大纲匹配度，意味着每次重写的报告大纲几乎完全不一样，章节标题全换了一套。如果你是需要定期追踪这份报告的读者，这意味着你每次打开新版本都要从头适应一遍陌生的结构，根本没法像读连载小说一样顺着往下翻。而0.60到0.67的匹配度，意味着大纲基本保持稳定，只是局部有调整，报告真正具备了"连续阅读"的属性。

成本方面同样亮眼。开源配置下，单步任务把token消耗从378万降到296万，减少约22%，长链任务进一步降到252万，减少约33%。搜索次数更明显，从每份报告45次搜索降到单步任务18.62次，长链任务17.85次，降幅超过六成。

这里有个细节很有意思，论文特意分析了为什么长链任务反而比单步任务更省成本。原因在于证据池的"记忆"效应：单步任务每次都是从一份"刚生成、没有证据池"的旧报告出发，相当于每次都要重新建一遍证据库；而长链任务里，每一次更新用的都是上一次增量更新留下的那个已经建好的证据池，可以直接复用大部分内容，只需要刷新真正变化的部分。

这就像你如果每周都搬一次家，每次都要重新打包所有家具；但如果你一直住在一个地方，只是偶尔添置或者替换几件东西，那肯定比每周搬家省力得多。**持久化的证据池扮演的正是"一直住在同一个地方"的角色，它让每一次更新都是在已有基础上的小修小补，而不是重新搭一次家。**

论文还做了另一个很细致的实验，测试更新间隔的长短对结果的影响。他们比较了十年、五年、一年、一个月四种更新频率，发现一个很符合直觉但依然值得验证的结论：更新间隔越短，相对收益越明显，但到了一年左右就开始出现边际效应递减，继续缩短到一个月带来的额外提升已经很有限了。而十年这种超长间隔，成本反而比直接重写还高出44.6%，质量也没有优势，因为积累的变化太多，增量更新这时候跟重新来一遍差别不大，还多了处理旧结构的额外开销。

这个发现其实呼应了很多生活经验。你如果一年都不打扫房间，等到真要收拾的时候，还不如直接大扫除来得痛快，因为积灰太厚，想一点一点清理反而更费劲。**增量更新这套机制真正发挥威力的场合，是那些变化节奏适中、不会一下子积累太多信息差的场景，这也是为什么论文最终选定一年作为标准更新间隔。**

### 时间会改变答案这件事，评测圈其实没当回事

论文里还有一个发现，我觉得值得单独说一说，因为它暴露了整个深度研究评测领域一直存在但很少被正视的问题。

同一个AI系统，MS-Agent开源版，在2016年这个时间点测出来的质量分数是47.57，到2025年测出来变成了49.28，整整涨了快两分。放在DeepConsult这个基准上，涨幅更明显，从6.31涨到7.27。

但这个系统压根没变，变的只是允许它查阅的信息截止到哪一年。

这件事说明一个很朴素又容易被忽略的道理：**AI深度研究系统的表现，很大程度上取决于当下这个世界本身留下了多少可查的痕迹，不完全是系统本身的能力进步。**

过去关于深度研究系统的测评，几乎都是拿"现在能查到的最新信息"去跑一次测试，然后直接拿分数去比较不同系统的高下。但如果不同系统测试的时间点、信息环境本身就不一样，这个比较从一开始就站不住脚。论文提出的这套跨十年的时间轴评测，相当于把这个隐藏变量摆到了台面上，也算是给整个领域提了一个醒。

### 这个方向能用在哪里，还差什么

论文最后提到了几个具体的应用场景：科技和产业情报跟踪、财经和宏观经济研究、科研文献的持续追踪监测。这几类场景的共性，是报告的生命周期本来就不是一次性的，而是要被反复打开、反复修订。

当然这套方法也有没解决的问题。研究团队自己提到，他们用的时间限制搜索功能，只能控制某个时间点之前有没有某个网页存在，但没法模拟一个网页内容本身随时间慢慢演变的真实过程，比如同一篇介绍某产品的官方页面，半年后被厂商悄悄改写了措辞，这种细粒度的内容演化目前的实验设定没法完全还原。另外，目前用来验证这套方法的评测基准，本来也不是为"持续维护报告"这个场景专门设计的，专门针对增量式研究场景的评测基准仍然是空白。

写在后面

读完这篇论文，我一直在想一件事：**我们对AI的期待，一直停留在"一次性把事情做对"，但现实世界里绝大多数真正重要的工作，都是需要被反复维护的。**

代码需要维护，关系需要维护，健康需要维护，知识体系也需要维护。一次性把事情做对固然重要，但更难、更考验系统性设计能力的，是怎么让一件事持续地、低成本地保持正确。

这篇论文让我意外的地方在于，它没有去追求更强的模型、更复杂的推理链条，而是回到一个很朴素的工程问题：怎么让AI记住自己做过什么。证据池那个"先快速比对相似度、只有变化明显才动用AI细读"的分级设计，看起来朴实无华，但恰恰是它撑住了六成以上的成本降幅。有时候真正的突破不在于让AI变得更聪明，而在于设计一套机制，让AI不用每次都从头证明自己很聪明。

那个关于时间轴评测的发现也让我多想了一层。如果一个系统的分数会随着世界本身信息量的增长而自然上涨，那我们过去几年里看到的很多"AI又进步了"的报道，有多少其实是模型真的变强了，又有多少只是因为互联网上可供查阅的资料变多了？这个问题恐怕值得整个评测社区认真回答一次。

Q&A

Q1：Incremental-OEDR是什么？

A：Incremental-OEDR是论文提出的增量式开放域深度研究范式，核心思想是把研究报告当成持续演化的研究状态，每次更新时保留有效内容、修订过时信息、补充新发现，而不是每次都从零重新生成整份报告。

Q2：Structured Harness结构化挽具具体做了什么？

A：它把报告拆解成大纲、章节、证据三层结构，并提供结构化检索、持久化证据池、结构化生成三种能力，让AI能精准定位报告里需要更新的部分，复用已有证据，只在真正有变化时才重新搜索和改写。

Q3：增量更新相比完全重写报告能省多少成本？

A：在DeepResearch Bench基准上，开源配置下单步更新能省约22%的token和59%的搜索次数，连续多次更新的长链任务更是能省33%的token和61%的搜索次数，同时报告质量不输甚至略优于完全重写。