告别盲目死循环！清华与人大提出增量式深度研究框架 IOEDR：动态图脚手架节省 33% Token 与 61% 搜索调用

核心背景与行业痛点

随着 Deep Research 成为 AI 搜索与知识分析领域的新标杆，大模型智能体被赋予了自动浏览数十个网页、阅读数十篇 PDF 论文并最终输出上万字深度研报的能力。然而，当前的商用及开源 Deep Research 智能体大多采用‘大循环轮询（Monolithic Search-Synthesize Loop）’：智能体基于初版大纲直接触发几十次甚至上百次网页搜索，每次检索都将大量未过滤的网页内容推入对话上下文。这种粗放模式在面对真正开放且复杂的战略级议题时暴露了三大死穴：

1. 搜索盲目且极度冗余：智能体由于无法清晰界定‘已有证据’与‘知识盲区’，大量耗费额度在早已验证的事实上重复抓取；
2. 跨章节逻辑割裂与事实漂移：长程生成缺乏统一的事实锚点，导致报告前半部分与后半部分的数据口径互相冲突；
3. Token 成本与等待时间失控：一次万字深度研究动辄消耗上百万 Token、耗时半小时以上，高昂的 API 调用成本制约了其商业落地。

架构亮点与底层机制

针对以上瓶颈，清华与人大团队提出了增量式结构化研究框架 IOEDR（arXiv:2610.11566，项目主页：ioedr-project.github.io）：

1. 层级演化状态图（Hierarchical State Graph）：IOEDR 将最终的研究报告显式抽象为一个动态有向图结构。图节点代表章节、核心论点及事实断言，边代表推演依赖关系。智能体以增量方式迭代该图，当某一分支证据不足时才触发局部扩展，彻底告别整体黑盒重写；
2. 全局去重证据池（Persistent Deduplicated Evidence Pool）：系统在底层维护统一的事实证据库。所有从搜索引擎爬取的信息首先经过摘要、事实三元组提取与可信度评级，仅将高价值证据索引沉淀入库。后续所有章节的撰写必须以此池为唯一事实信源，彻底杜绝自相矛盾与幻觉造假；
3. 结构化脚手架（Structured Harness）驱动的精准定向探索：脚手架引入了‘信息增益评估器（Information Gain Evaluator）’与智能停机控制器。每次搜索必须带着明确的缺失变量（Gap Variable）出发，一旦当前节点的置信度达到阈值即刻终止检索，杜绝无意义的贪婪请求。

权威 Benchmark 与实测跑分对比

在综合性深度研究评测集 DeepResearch Bench 与开放式行业分析任务中，IOEDR 取得了突破性的效率与质量双重领先：

1. 搜索调用暴跌 61.4%，Token 节省 33.2%：由于引入了证据池与信息增益驱动，IOEDR 在生成同等篇幅与更深见解的专业报告时，所需的外部搜索引擎 API 请求量锐减 61.4%，整体 Token 消耗下降了 33.2%，平均报告产出时间缩短超过一半；
2. 事实一致性与证据密度跨越式提升：在专家盲审与自动化逻辑一致性评估中，IOEDR 跨章节冲突率接近归零，每千字引用的经过验证的一手引用量（Ground-truth Citations）相比基线 Agent 提升了 48.7%；
3. 抗噪能力显著增强：在人为植入虚假或矛盾网页信息的对抗测试中，IOEDR 依靠证据池的交叉检验机制，成功过滤了 92.4% 的噪声干扰，表现出极强的研报严谨度。

开发者实战落地与开箱指南

清华与人大的 IOEDR 框架为当下火热的 Deep Research 类产品设计树立了高效的技术范式。开发者在打造自己的企业级“深度研报智能体”或“专业知识库问答助手”时，应当摒弃让模型自由发挥的“Search-then-Write”流水线。建议采纳 IOEDR 的核心设计模式：采用状态图管理长文本拓扑结构，将信息检索与事实图谱沉淀严格解耦，并通过结构化 Harness 严格限制每一次外部调用的信息增益边界，从而在大幅降低运行开销与搜索延迟的同时，交付出经得起严苛审查的高质量专业研究报告。