FS-Researcher：基于文件系统的测试时扩展深度研究框架 FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents
双智能体文件系统框架突破上下文限制实现深度研究
前置知识
ReAct架构
ReAct（Reasoning and Acting）是一种将推理与行动交替进行的智能体架构。在每个步骤 $i$ 中，模型 $M_\theta$ 基于历史思维、行动和观察序列 $(T_{j<i}, A_{j<i}, O_{j<i})$ 及提示 $P$ 生成新的思维 $T_i$ 和行动 $A_i$，然后通过执行函数 $Execute(A_i)$ 获取观察 $O_i$。这种交替模式使智能体能够在推理过程中动态获取外部信息，而不是一次性生成所有内容。
FS-Researcher的核心工作流程建立在ReAct架构之上，理解这一架构是理解两个智能体如何与文件系统交互的基础。
测试时扩展（Test-Time Scaling）
测试时扩展是指在推理阶段通过分配更多计算资源来提升模型性能的策略。传统方法通过增加训练计算来提升模型能力，而测试时扩展则在推理时通过多次采样、迭代优化等方式增加计算投入。本文的核心贡献之一就是证明了在深度研究任务中，增加Context Builder的计算轮数可以系统性地提升最终报告质量。
论文的核心创新点之一是验证了文件系统范式下的测试时扩展效果，理解这一概念对于把握论文贡献至关重要。
上下文窗口限制
大语言模型的上下文窗口是指模型单次推理能够处理的最大token数量。当任务所需的输入（包括系统提示、历史对话、工具输出等）超过这一限制时，模型无法继续处理。在深度研究场景中，浏览数百个网页并生成超过1万token的报告很容易超出上下文限制，导致智能体被迫压缩或丢失关键信息。
本文的核心动机就是解决上下文窗口限制对深度研究任务的制约，这是理解论文问题定义的关键。
知识库（Knowledge Base）
在本文中，知识库是指由Context Builder智能体构建的层次化文件结构，包含索引文件（index.md）、笔记目录（knowledge_base/）和原始网页存档（sources/）。每个笔记中的陈述都带有引用，指向sources目录中的原始文件。知识库的设计使信息存储可以远超上下文窗口限制，实现按需访问。
知识库是FS-Researcher框架的核心产出物，理解其结构和组织方式是理解整个方法论的关键。
LLM-as-a-Judge评估
LLM-as-a-Judge是一种使用大语言模型自动评估生成内容质量的方法。在本文的DeepResearch Bench中，评估基于报告的全面性（Comprehensiveness）、洞察力（Insight）、指令遵循（Instruction Following）和可读性（Readability）四个维度，最终计算综合得分RACE。DeepConsult则采用胜率、平局率和平均分进行评估。
理解评估方法对于解读实验结果至关重要，特别是RACE综合得分的含义及其各分量的意义。
研究动机
深度研究作为大语言模型智能体的代表性长时域任务，面临着严重的上下文窗口限制挑战。具体而言，一个典型的深度研究任务需要智能体浏览数百个网页并生成超过1万token的综合报告。然而，当研究轨迹增长时，有限的上下文窗口迫使思维、观察和报告草稿竞争token预算，导致信息收集不完整、过早综合和脆弱的行为。现有解决方案通常通过将网页浏览外包给子智能体或压缩工具观察来减少token消耗，仅保留蒸馏后的关键事实。虽然这些方法延长了智能体的工作轨迹，但它们仍然是受上下文长度硬限制约束的临时修复。更重要的是，在这些方法中，内部状态（如思维和工具观察）是临时消耗品，在智能体循环终止后即被丢弃，阻碍了通过迭代改进进行进一步扩展。
本文的目标是本文旨在提出一种能够突破上下文窗口限制的深度研究框架，使智能体能够有效地分配计算资源到证据收集和报告写作两个阶段。具体目标包括：（1）设计一个基于文件系统的持久化工作空间，使信息存储能够远超上下文窗口大小；（2）实现双智能体架构，将证据积累与报告写作分离；（3）验证框架在不同基础模型上的有效性；（4）证明在文件系统范式下存在积极的测试时扩展效果，即增加Context Builder的计算投入能够系统性地提升最终报告质量。
与已有工作不同的是，本文的独特切入角度在于借鉴编码智能体和AI驱动IDE的文件系统工作空间范式，将其应用于深度研究任务。现有方法要么是静态管道，要么是受限于上下文窗口的单智能体工作流。FS-Researcher的核心创新在于将文件系统作为持久化外部记忆和跨智能体会话的共享协调媒介。与现有压缩观察的方法不同，本文不是通过有损压缩来适应上下文限制，而是将整个研究状态外部化到可持久化、可回顾的工作空间中。这种设计使得中间产物（如计划、错误日志）变得持久且可重访，支持跨多个智能体会话的迭代改进。文件I/O引入的延迟可以忽略不计（占总挂钟时间的不到0.03%），使得这一方法在实际应用中是可行的。
核心方法
FS-Researcher采用双智能体、基于文件系统的框架来解决深度研究任务。整个方法分为两个阶段：首先，Context Builder智能体作为数字图书馆员，系统性地浏览互联网、提取关键信息、构建层次化的知识库；然后，Report Writer智能体以知识库为唯一事实来源，逐节撰写最终报告。两个智能体共享同一个工作空间，可以独立且迭代地优化各自的产出物。工作空间包含两种类型的文件：交付物（如index.md、knowledge_base/目录、report.md）和控制文件（如Todos、Checklist、Logs）。这种设计使得信息存储可以无限扩展，同时通过控制文件实现任务状态的显式追踪和跨会话协调。
FS-Researcher的核心创新在于将文件系统作为持久化外部记忆和跨智能体会话的共享协调媒介。与现有方法的本质区别体现在三个方面：（1）它不是通过有损压缩来适应上下文限制，而是将整个研究状态外部化到可持久化的工作空间中；（2）它将证据积累与报告写作分离到两个专门的智能体中，避免了单一智能体在浏览和写作之间分配上下文的竞争；（3）它通过控制文件（Todos、Checklist、Logs）实现任务状态的显式追踪，支持迭代改进和错误恢复。这种设计使得文件系统不仅是存储介质，更是智能体之间和会话之间的协调机制。论文通过消融实验证明，移除持久化工作空间会导致RACE得分下降4.07分，合并双智能体为单一智能体则导致下降10.35分，验证了各组件的有效性。
方法步骤详情
方法的具体步骤如下：第一阶段（Context Builder）：（1）智能体接收研究主题后，首先检查当前工作空间状态；（2）通过search_web工具搜索相关网页，使用read_webpage工具阅读内容；（3）将关键信息整理成结构化笔记，存入knowledge_base/目录的层次结构中；（4）将原始网页存档到sources/目录，确保每条陈述都带有引用；（5）动态更新index.md作为知识库的目录和导航；（6）在会话结束时，根据Checklist进行自我审查，识别知识库中的错误、差距或冲突；（7）如果有问题，标记相应任务为IN-PROGRESS并记录到日志文件。第二阶段（Report Writer）：（1）接管工作空间，移除网页浏览工具；（2）在第一个写作会话中创建大纲文件；（3）在后续会话中逐节撰写报告，每次只处理一个章节；（4）每完成一个章节，根据章节级Checklist进行自我检查；（5）所有章节完成后，进行报告级整体审查；（6）如果发现问题，将相应章节标记为IN-PROGRESS并重新修订。
技术新颖性
FS-Researcher的技术新颖性体现在多个层面。首先，它将编码智能体的文件系统工作空间范式创新性地应用于深度研究任务，这是一个全新的应用视角。其次，它提出了双智能体分离设计，将证据积累（Context Builder）与报告写作（Report Writer）解耦，避免了单一智能体在两个任务之间分配上下文的竞争。第三，它设计了层次化的知识库结构，其中知识库目录（knowledge_base/）中的每条陈述都带有指向原始来源（sources/目录）的引用，实现了证据的可追溯性。第四，它引入了控制文件机制（Todos、Checklist、Logs），使任务状态变得显式且持久，支持跨会话的迭代改进。第五，它通过实验证明了在文件系统范式下存在积极的测试时扩展效果，即增加Context Builder的计算轮数（从3轮到10轮）可以系统性地提升报告质量，这是对测试时扩展理论的重要贡献。
实验结果
实验结果表明FS-Researcher在多个深度研究基准测试上达到了最先进的性能。在DeepResearch Bench上，使用Claude-Sonnet-4.5作为骨干模型的FS-Researcher实现了53.94的RACE综合得分，显著超越最强基线RhinoInsight（+3.02分）。具体而言，全面性（Comprehensiveness）和洞察力（Insight）分别提升了+3.74和+4.40分，表明框架在广泛收集证据和综合深入分析方面具有突出能力。在DeepConsult基准上，FS-Researcher（Claude-Sonnet-4.5）达到了80.00%的胜率和8.33的平均分，同时将失败率降低到9.58%。在BrowseComp可验证基准上，FS-Researcher（Claude-Sonnet-4.5）实现了55.0%的准确率，相比官方智能体套件的43.9%提升了11.1个百分点。消融实验显示，移除持久化工作空间导致RACE下降4.07分（52.76→48.69），合并双智能体导致下降10.35分（52.76→42.41），移除分节写作导致下降5.13分（52.76→47.63），验证了各组件的有效性。测试时扩展分析表明，将Context Builder的计算轮数从3轮增加到10轮，RACE得分从50.2提升到52.8，报告长度从约8000字符增加到约12000字符，引用数量从约30个增加到约50个。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| DeepResearch Bench（RACE综合得分） | RACE（全面性+洞察力+指令遵循+可读性的综合得分） | FS-Researcher（Claude-Sonnet-4.5）：53.94；FS-Researcher（GPT-5）：52.76；FS-Researcher（Gemini-2.5-Pro）：52.51 | RhinoInsight（Gemini-2.5-Pro）：50.92；LangChain-Open-Deep-Research（GPT-5）：50.60；Gemini-2.5-Pro-DeepResearch：49.71 | 相比最强基线RhinoInsight提升+3.02分（53.94 vs 50.92）；相比同骨干的LangChain-Open-Deep-Research提升+2.16分（52.76 vs 50.60） |
| DeepConsult（胜率和平均分） | 胜率（Win%）、平均分（Avg. score） | FS-Researcher（Claude-Sonnet-4.5）：80.00%胜率，8.33平均分；FS-Researcher（GPT-5）：73.28%胜率，7.26平均分；FS-Researcher（Gemini-2.5-Pro）：74.88%胜率，7.62平均分 | Gemini-2.5-Pro-DeepResearch：61.27%胜率，6.70平均分；OpenAI-DeepResearch：0.00%胜率，5.00平均分 | 相比Gemini-2.5-Pro-DeepResearch提升+18.73%胜率（80.00% vs 61.27%）；平均分提升+1.63（8.33 vs 6.70） |
| BrowseComp（可验证问答基准） | 准确率（Accuracy%） | FS-Researcher（Claude-Sonnet-4.5）：55.0%；FS-Researcher（GPT-5）：68.0% | Claude-Sonnet-4.5官方套件：43.9%；GPT-5官方套件：54.9% | 相比Claude-Sonnet-4.5官方套件提升+11.1%（55.0% vs 43.9%）；相比GPT-5官方套件提升+13.1%（68.0% vs 54.9%） |
局限与改进
论文承认的主要局限性包括：（1）对相对强大的基础模型的依赖性。文件系统操作需要强大的推理和函数调用能力，较小或能力较弱的骨干模型（如gpt-5-mini）可能表现出更短的轨迹和更频繁的过早停止，在实践中需要更多会话才能达到可比的覆盖范围，也更容易在文件操作中出现脆弱性（如不正确的编辑、不一致的状态更新或错误的工具使用）。（2）内容来源的可靠性问题。FS-Researcher依赖于网络来源的内容，尽管有引用基础，但仍可能传播不准确、偏见或过时的信息，可能误导下游决策。（3）安全风险。在工作空间中持久化检索到的材料和中间笔记可能无意中存储敏感或受版权保护的内容，在不受信任的环境中增加了提示注入或恶意页面的攻击面。（4）可读性与全面性的权衡。实验显示，随着知识库规模增大，报告变得更技术化，可读性得分从5轮时的51.93下降到10轮时的51.66，这是一个需要在实际应用中权衡的因素。
独立分析的弱点
独立分析的弱点包括：（1）Context Builder的边际收益递减问题。从3轮到5轮的KB增长显著（+11.7个来源，+10.8个URL），但从5轮到10轮的增量较小（+5.5个来源，+5.9个URL），表明知识库逐渐趋于饱和，剩余的信息缺口在缩小。这意味着简单增加计算轮数的策略存在效率瓶颈。（2）GPT-5的引用质量问题。FS-Researcher（GPT-5）在引用准确性方面不如Claude-Sonnet-4.5（60.04% vs 76.17%），因为GPT-5倾向于在段落末尾堆叠多个引用，导致引用来源与提取的事实陈述之间出现错位。这表明框架对不同骨干模型的引用生成策略缺乏鲁棒性。（3）可读性与全面性的权衡。随着知识库规模增大，报告采用更密集、更技术化的写作风格，无意中损害了可读性。虽然论文提到可以通过有针对性的事后重新措辞来恢复可读性，但这增加了额外的处理步骤和成本。（4）对控制文件的依赖。框架的有效性高度依赖于智能体正确生成和维护Todos、Checklist和Logs的能力，如果智能体在这些控制文件的操作上出现错误，可能导致任务状态不一致和迭代改进失败。
未来方向
作者提出和基于成果可延伸的未来研究方向包括：（1）设计更轻量级的框架以更好地支持较小模型。论文提到GPT-5-mini在给定额外上下文构建轮数时，以显著更低的成本（$2.51 vs $6.10/查询）实现了与OpenAI-DeepResearch相当的性能，这表明框架在较小模型上仍有优化空间。（2）改进引用准确性。可以通过设计专门的引用对齐机制或后处理步骤来解决GPT-5的引用堆叠问题，确保每个引用准确对应其支持的事实陈述。（3）可读性优化。可以开发自动化的可读性恢复机制，在保持全面性的同时改善报告的可读性，论文在附录K中提到了这一方向的初步探索。（4）知识库压缩。论文在附录L中展示了使用较小的摘要模型可以将Context Builder成本降低47%且质量损失可忽略，这为实际部署提供了优化方向。（5）多模态扩展。当前框架主要处理文本内容，未来可以扩展到处理图表、视频等多模态信息源，进一步提升深度研究的覆盖范围。（6）协作式研究。框架的多会话设计天然支持人机协作，未来可以探索如何更好地整合人类研究者的领域知识和判断。
复现评估
复现评估方面，论文提供了良好的复现条件：（1）开源情况：代码和数据已在GitHub匿名开源（https://github.com/Ignoramus0817/FS-Researcher），包括完整的框架实现和实验设置。（2）数据：使用了两个公开的深度研究基准（DeepResearch Bench和DeepConsult）以及BrowseComp基准的100个查询子集，数据获取相对容易。（3）算力：实验使用了多个商业API（GPT-5、Claude-Sonnet-4.5、Gemini-2.5-Pro），主要成本来自API调用。论文提到Context Builder成本可通过压缩优化降低47%，GPT-5-mini方案成本为$2.51/查询。（4）难度：框架架构相对清晰（双智能体+文件系统工作空间），但实现细节较多，包括知识库结构设计、控制文件机制、多会话协调等。论文在附录中提供了Checklist示例和日志示例，有助于理解和复现。总体而言，复现难度中等，主要挑战在于API成本和智能体行为的稳定性控制。
论文图表
图1展示了三种深度研究范式的对比：（1）静态管道和朴素单智能体，将原始观察放入上下文；（2）通过压缩观察来扩展轨迹的智能体，但仍受硬上下文限制约束；（3）FS-Researcher，基于外部文件系统工作空间的智能体框架，具有无限上下文大小。图示清晰地展示了从左到右的演进：从完全受上下文限制约束的方法，到通过压缩缓解的方法，再到完全突破限制的文件系统方法。
这张图是理解论文核心创新的关键，它直观地展示了FS-Researcher与现有方法的本质区别：不是通过压缩来适应上下文限制，而是通过外部化来突破限制。这有助于读者快速把握论文的定位和贡献。