Incremental Open-Ended Deep Research with Structured Harness
增量开放式深度研究：结构化 Harness 框架
🧭 LLM 深度研究 · 结构化增量更新
Xiaohongshu Inc. · Zhejiang University
用结构化 Harness 将深度研究报告视为可演化状态，实现增量更新，保持质量同时显著降低成本。
📌 工作参考价值
- 可将大模型生成的内容（商品描述、用户画像、知识库条目）视为可演化状态，通过结构化大纲和证据映射实现局部更新，避免每次从零生成，显著降低 token 消耗和搜索调用。
- 持久结构化证据池设计值得借鉴：为搜索/推荐系统沉淀外部检索结果（如市场趋势、用户评论），按证据引用关系缓存，支持跨轮次复用，减少重复检索成本。
- 选择性更新策略可迁移到需要频繁迭代的内容场景，如广告文案、活动页、商品详情页，仅对受新信息影响的小节触发重新生成，保持历史内容连续性的同时控制成本。
- 评估框架中引入内容级 ROUGE-L 和 outline 级 EM F1 度量报告连续性，可改造用于评价推荐理由生成或 item 描述更新的历史一致性。
动机：现有开放式深度研究（OEDR）系统每次从零生成报告，无法持续维护已生成的研究内容，导致效率低下、成本高昂。
方法关键点：提出 Incremental-OEDR 设置，将报告视为随时间演化的状态，增量保留有效知识、修正过时内容、吸收新信息。核心是 Structured Harness：将报告表示为结构化大纲、章节和支持证据的集合；提供结构化检索以定位需要更新的部分，持久结构化证据池缓存可复用的检索结果，结构化生成仅对变化部分进行重写，实现选择性更新和证据重用。同时建立十年时间跨度的时序评估框架，包含单步任务（Single-Step Task）和长链任务（Long-Chain Task），分别评估单次转移和长期更新链上的表现。
关键结果：在 DeepResearch Bench 和 DeepConsult 上，无论是开源配置还是专有配置，Incremental-OEDR 都能保持与从零生成方案相当的 report quality，同时大幅提高报告连续性并降低成本：内容级 ROUGE-L F1 最高提升 0.51，大纲级 EM F1 最高提升 0.63，token 消耗降低 33%，搜索调用次数减少 61%。