小红书与浙大提出增量式深度研究：报告不再重写，像活物一样养大

写行业分析报告的人大概都碰过这种场面：憋了三天刚收尾，第二天就刷到新闻，又冒出一项新技术。这时候摆在面前的只有两条路，要么装作没看见，要么把整份报告推倒重来。

多数人会选后一条，理由听起来更“严谨”。可要是一位分析师每周都得更新同一份报告，这么干迟早被逼疯。

如今这些 AI 深度研究系统，扮演的正是那个会被逼疯的分析师。

**哪怕只变了一个数据点，它们写报告也照样从零起步。**

小红书和浙江大学合作的一篇论文盯上的就是这件事。论文提出一种新的研究范式，名为“增量式开放域深度研究”，核心想法朴素得近乎反直觉：报告不该每次推倒重写，而应被当成活的东西一点点“养”大。

### 深度研究究竟是什么，卡点又在哪儿

背景得先交代清楚。

过去两年，AI 领域冒出一类叫“Deep Research”的产品，OpenAI、谷歌、Anthropic 都推出了各自的版本。比起传统问答机器人，这些系统能干的事多得多：丢给它一个复杂课题，例如“分析一下固态电池行业的技术路线和商业化进度”，它会自行搜索网页、翻阅资料、交叉验证，最后交出一份几千字、带引用的研究报告。

所谓开放域深度研究（OEDR）*，指的是这样一种系统：研究路径由 AI 自行规划，证据自己去搜，信息还要经过验证，最后交出一份完整的研究报告；它和传统问答系统不一样，后者只回答单个问题。

这类系统眼下分成两大流派。一派是“工作流派”，先把大纲定下来，再顺着大纲搜内容往里填，好比施工图先画好再动工盖楼，稳当、可控，可一旦碰上意外发现就很难拐弯。另一派是“智能体派”，AI 边搜边想边改计划，灵活是灵活，预测起来却更难。

论文采用的 ms-agent 属于后一派，这套系统由阿里 ModelScope 出品、开源，打法是一个“研究员”智能体统筹全局，再分别调遣“搜索员”和“报告撰写员”两个子智能体分头干活。在开源系统里，它目前的性能处在标杆位置。

不过两派有一个共同的盲点：都把每次任务当成全新的。你问它 AI 大模型的发展情况，它从头查一遍，查完把报告交给你；下回你再问，上次查过什么它一概不记得，又从头查起。

这就像雇了个记忆只有一天的侦探，同一个案子的后续调查，他也得把所有证人重新审一遍。证人没换，证词也没换，侦探偏要把流程再走一遍，原因很简单——他压根不记得之前问过谁。

放在“一次性”场景里，这不算大毛病。报告写完就完了，谁还管效率。可现实中的研究需求，大量根本不是一次性的。

跟踪 AI 行业的分析报告，可能每月要更新一次，新模型总在发布。宏观经济研究可能每季度更新，统计数字会变。追踪某个科研领域进展的综述，可能每年要回顾一次。

每回更新都把整篇报告推倒重写，会引出两个很糟的后果。

头一个是浪费。真正变动的部分也许只有一小块，系统却要为这一小块把整个主题涉及的信息重新搜一遍，等于换一颗螺丝把整台机器拆了。

第二个更要命，是不一致。每次独立生成的报告，哪怕信息几乎没动，结构和措辞也可能差得南辕北辙。结果就是两期报告没法放在一起对照着看——它们看上去像两份完全不同的文档，而不是同一份文档的两个版本。

两个问题叠在一起，正好是论文要啃的核心矛盾：**现有深度研究系统，天生不适合需要持续维护的场景。**

### 把报告当活物：增量式深度研究是什么

论文给出的解法叫 Incremental-OEDR，中文可理解为“增量式开放域深度研究”。

它的核心转变说白了就一句：**报告不再是任务的终点，而是研究状态的一部分。**

写成公式更直观。传统深度研究的公式是“报告 = 研究(问题, 当前信息)”，每次只盯着问题本身和当下查得到的信息。增量式深度研究则变成“报告 = 研究(问题, 上一版报告, 当前信息)”，多出来的一个输入，就是上一版报告。

这个多出的输入看着简单，却意味着整个系统的工作方式得彻底换掉。系统要做的不是“重新研究一遍”，而是去判断：报告里哪些内容还站得住，哪些已经过时，哪些是全新冒出来、上一版压根没提过的。

这跟病人去医院复查是一个道理。头一回体检，医生从头到脚给你查个遍；隔半年再复查，重点就放在上次查出问题的那几项指标上，看它们有没有变化，再问一句有没有新冒出来的症状。要是每次复查都重做一遍全套CT加抽血，钱和时间都搭进去，病人也吃不消。医生干的事不是把你这个人重新诊断一遍，而是把你健康状况的认识更新一下。

想让AI系统也做到这一步，光丢一句“请参考上一版报告”远远不够。研究团队发现，直接把旧报告原文塞给模型当参考，模型多半还是倾向于重写。原因在于它没法精确判断报告里哪句话对应哪条证据，也没法核实那条证据眼下还成不成立。

论文为此配了一整套机制，名字叫“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”这个叫法有点意思。英文原词harness，原本说的是套在马身上或者登山者身上的那套绳索装置，既要能承力，又要能灵活挪动。搁在这儿，意思是给AI智能体配一套工具，让它抓得住报告的筋骨，而不是把报告当成一整块无从下手的石头。

结构化挽具（Structured Harness）：这是论文给出的核心框架。报告被它分成大纲、章节、证据三层，同时配了结构化检索、持久化证据池、结构化生成这三项能力。这样一来，AI 能准确找到并改动报告的某一处，不用把整篇推倒重写。

拆开来看，结构化挽具是一套“结构化表示”加三项能力。

头一层是结构化表示，一份报告被拆成三块：大纲（outline）、章节（sections）、证据（evidence）。好比给一本书配了详细目录外加脚注索引，而不是从头到尾一整块连着的文字。

拆到这个程度，AI才能做“结构化检索”：只去读报告里跟当前任务相关的那一小块，不必把整篇报告塞进上下文窗口再理解一遍。

这件事为什么重要，值得停一下想想。假设你是律师，要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从头读一遍再动笔，而是直接翻到那一页。每改一次合同都得全文细读一遍才敢下笔，效率直接砍半，重读过程中还容易顺手改动了本来不该动的句子。结构化检索干的，就是让AI能“翻到那一页”，而不是回回从头读。

第二项能力叫“持久化证据池”（Structured Evidence Pool）。整篇论文里，我觉得这一块设计得最巧妙。

老系统查完资料、写完报告，查到的网页和资料就丢掉了。下回再查，等于从零起步。增量式系统不一样，用过的每一条证据都存下来，记下网址、标题、原始内容，还有最后一次更新的时间。

这个证据池管两件事：旧证据更新和新证据发现。

旧证据更新的路子挺聪明。系统定期批量重抓此前引用过的网页，再把新抓到的内容和先前存的版本比一比有多像。相似度够高，说明网页基本没动，直接跳过，不再花算力去理解它。只有相似度掉到某个阈值以下（论文里定的是0.9），系统才真正叫AI去读新旧差在哪，判断“这个事实变了”。

这么设计省掉了大量没必要的计算。设想你是记者，每天要核实几十个消息源有没有更新。天天把每个网页从头读一遍来判断变没变，人很快就垮了。有经验的做法是先用个省事的招：扫一眼页面跟昨天长得是不是差不多，只有觉得“好像哪里不一样”了，才坐下来细读。先扫一眼、再决定要不要细读，这种分级处理正是证据池省力的关键。少了这一步，系统每次更新都得把旧证据完整重处理一遍，之前攒下的活儿全白费。

新证据发现就直白多了：AI做新搜索时挖到的新资料，自动存进证据池，往后反复调用。

第三项能力是“结构化生成”，管的是报告怎么改。系统不再“写一份新报告”，而是给每个章节打上三种状态之一：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，原有内容也该留着）。三分类听着简单，真正变的是AI的“写作心态”：从“我要重新证明这件事”转成“我要确认这件事有没有变”。

论文还给了一张示意图，画出证据池随时间怎么演化。旧证据被重新抓取、算相似度，变化不大就标“未变”，变化大就触发差异分析；新证据加进来，附带它被发现的时间戳。整个流程里，只有真正要判断内容变没变的那几步才调用AI模型，大部分机械比对交给简单的程序逻辑就够了。

### 怎么证明这套方法真有用：十年时间轴测试

光说方法好不算数，论文搭了一套相当讲究的评测体系。

研究团队干了件挺硬核的事：借搜索引擎Tavily的时间限制功能，把时间人为拨回2016年到2025年这十年间的每一个12月31日，强制AI系统只能看到那个时间点之前发布的信息。这相当于让AI系统做了一趟时间旅行，看它在不同历史时刻各会写出什么样的报告。

在这个设定下，论文设了两种任务。

一种叫“单步任务”（SST），测单次更新的效果：给系统一份去年写好的报告，让它更新到今年，再把更新后的报告和“完全从零重写一份今年的报告”摆在一起比。

另一种叫“长链任务”（LCT），测连续多次更新扛不扛得住：从2016年的报告起步，一年一年往后更，一直更到2025年，看这条长链走完，报告质量会不会一路往下掉。

SST（单步任务）和LCT（长链任务）是论文设计的两种评测方式。前者考察单次更新效果，后者看连续更新多轮后系统还能不能稳住质量。真实场景里“偶尔更一次”和“长期持续维护”这两种需求，分别对应这两类任务。

评测分三个角度：报告质量、报告连续性、研究成本。质量这一项，用的是业内常用的DeepResearch Bench和DeepConsult两个基准自带的打分标准；连续性靠ROUGE-L、BLEU-4、精确匹配这类文本相似度指标，衡量前后两版报告有多像；成本则直接统计消耗的token数量和搜索次数。这几个相似度指标原本多用于机器翻译和文本摘要评测，论文借它们来看新旧两版报告在内容与结构上的接近程度。

实验跑完后，有几组数字值得细看。

先看DeepResearch Bench。开源配置下，单步任务里增量式方法的平均质量得分是49.11，完全重写的基线为48.75，增量方法略高一点。长链任务差距更明显：连续更新十年后平均分49.20，比基线高出0.45分。报告质量并没有随着持续更新越滚越差，反倒因为积累的信息更扎实而略有上升。

连续性指标上的差距更大。重写出来的两版报告，内容层面ROUGE-L相似度仅0.17，大纲层面精确匹配只有0.04，几乎每次重写都等于出一份新文档。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，长链任务里分别升到0.68和0.67。

这组数字意味着什么？

大纲匹配度0.04，说明每次重写后报告大纲几乎全变，章节标题换了一整套。对需要定期追踪这份报告的读者来说，每打开新版本都得重新适应陌生结构，没法像追连载一样顺着往下读。0.60到0.67的匹配度则说明大纲大体稳定、只是局部调整，报告这才真正具备“连续阅读”的可能。

成本同样有看头。开源配置下，单步任务把token消耗从378万降到296万，少了约22%；长链任务进一步降到252万，降幅约33%。搜索次数更突出，从每份报告45次搜索降到单步任务的18.62次、长链任务的17.85次，降幅超过六成。

论文还专门解释了长链任务为何反而比单步任务更省。关键在于证据池的“记忆”效应：单步任务每次出发的旧报告刚生成、没有证据池，等于每回都要重建一遍证据库；长链任务每次更新用的都是上一次增量更新留下的那个现成证据池，大部分内容可以直接复用，只需刷新真正变化的部分。

好比每周搬一次家，每回都得把所有家具重新打包；一直住在一个地方，只是偶尔添置或替换几件东西，显然比每周搬家省力。持久化的证据池就是那个“一直住着的地方”，让每次更新都变成在已有基础上小修小补，而不是重新搭一次家。

论文另做了一组实验，看更新间隔长短对结果的影响。他们比较了十年、五年、一年、一个月四种频率，结论是：间隔越短，相对收益越明显；但到一年左右就开始边际递减，再缩到一个月带来的额外提升已经很有限。反过来，十年这种超长间隔，成本比直接重写还高出44.6%，质量也没优势——积累的变化太多，增量更新跟重新来一遍差不多，还多出处理旧结构的开销。

这和生活经验对得上。一年不打扫房间，真要收拾时还不如直接大扫除，积灰太厚，一点点清理反而更费劲。增量更新发挥威力的场合，是变化节奏适中、不会一下子积累太多信息差的时候，这也是论文最终把一年定为标准更新间隔的原因。

### 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值得单独说，它暴露的是整个深度研究评测领域一直存在、却很少被正视的问题。

同一个AI系统——MS-Agent开源版，在2016年这个时间点测出的质量分数是47.57，到2025年变成49.28，涨了快两分。换到DeepConsult基准上，涨幅更明显，从6.31升到7.27。

可系统本身压根没动过，变的只是允许它查阅的信息截止到哪一年。

道理很朴素，也容易被忽略：AI深度研究系统表现如何，很大程度上取决于当下这个世界留下了多少可查的痕迹，而不全是系统自身能力的进步。

过去测深度研究系统，几乎都是拿“现在能查到的最新信息”跑一次，再直接比分数定高下。可不同系统测试的时间点、信息环境本来就不一样，这种比较从一开始就站不住。论文提出的跨十年的时间轴评测，等于把这个隐藏变量摆上了台面，也算给整个领域提了个醒。

### 这个方向能用在哪里，还差什么

论文最后列了几个具体应用场景：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。它们的共性是，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。

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，没法模拟网页内容本身随时间慢慢演变的过程——比如同一篇介绍某产品的官方页面，半年后被厂商悄悄改了措辞，这种细粒度的内容演化，目前的实验设定还原不了。另外，眼下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是空白。

写在后面

这篇论文读完后，有个问题在我脑子里转了很久：大家指望AI的是“一次就把事办妥”，可现实里那些真正要紧的活儿，哪一样不是得一遍遍接着照看。

代码要维护，关系要维护，健康要维护，知识体系同样要维护。一次把事情做对当然重要，可更难、更吃系统性设计功力的，是让一件事持续、低成本地保持正确。

这篇论文让我意外的地方是，它没去追更强的模型、更复杂的推理链，而是回到一个很朴素的工程问题：AI怎么记住自己做过什么。证据池那套"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，看着不起眼，六成以上的成本降幅恰恰是它撑住的。真正的突破有时不在让AI更聪明，而在设计一套机制，让AI不必每次都从头证明自己聪明。

时间轴评测那个发现也让我多想了层。一个系统的分数如果会随着世界本身信息量增长而自然上涨，那过去几年里那些"AI又进步了"的报道，有多少是模型真变强了，又有多少只是网上能查的资料变多了？这个问题，整个评测社区恐怕都该认真答一次。

Q&A

Q1：Incremental-OEDR是什么？

A：这是论文提出的增量式开放域深度研究范式。核心思路是把研究报告看作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、补入新发现，而不是每回都从零重生成整份报告。

Q2：Structured Harness结构化挽具具体做了什么？

A：它把报告拆成大纲、章节、证据三层，并给出结构化检索、持久化证据池、结构化生成三种能力，让AI能准确找到报告里该更新的部分，复用已有证据，只在确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可省约22%的token和59%的搜索次数；连续多次更新的长链任务，省得更多，达33%的token和61%的搜索次数。报告质量不输完全重写，甚至略好。