FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents¶
会议: ACL 2026
arXiv: 2602.01566
代码: https://github.com/Ignoramus0817/FS-Researcher
领域: LLM推理
关键词: 深度研究, 文件系统, 测试时扩展, 知识库构建, 双Agent框架
一句话总结¶
本文提出 FS-Researcher，一个基于文件系统的双 Agent 深度研究框架，通过 Context Builder 构建层次化知识库、Report Writer 分节撰写报告，利用持久化工作空间突破上下文窗口限制，在 DeepResearch Bench 上达到 53.94 RACE（SOTA），并展示了上下文构建计算量与报告质量的正相关测试时扩展效应。
研究背景与动机¶
领域现状：深度研究（Deep Research）是 LLM Agent 的前沿代表性任务，要求 Agent 从互联网系统性地收集证据并综合成长篇报告。OpenAI、Google、Anthropic 等已推出商业深度研究产品，展现了人类级别的性能。
现有痛点：(1) 模型上下文长度有限，而深度研究的长轨迹任务容易超出上下文容量，导致 Agent 执行中断；(2) 现有方法（静态管线、单 Agent 流程）中 thoughts、tool observations 和报告草稿竞争有限的 token 预算，导致覆盖不全和过早综合；(3) 当前的压缩策略（如摘要化 tool 观察）虽延长了轨迹，但引入有损瓶颈——细粒度证据和来源可能丢失，且仍受上下文硬限制约束。
核心矛盾：深度研究任务需要的信息量（数百个网页、数万 token 的报告）与模型上下文窗口容量之间存在根本性矛盾。现有方法要么截断信息，要么有损压缩，无法真正实现测试时扩展（分配更多计算以提升质量）。
本文目标：(1) 设计一个可扩展至上下文窗口之外的深度研究框架；(2) 验证框架能否通过增加计算来持续提升报告质量；(3) 在多个基准上超越闭源和开源 SOTA。
切入角度：受编程 Agent 和 AI IDE（Cursor、Claude Code）的启发——文件系统工作空间是长时间工具使用和迭代开发的有效基础设施。将此范式迁移到深度研究，用文件系统作为持久外部记忆。
核心 idea：用文件系统替代上下文窗口作为 Agent 的记忆基础设施——信息存入文件而非保留在上下文中，按需加载，支持无限扩展和跨 session 迭代优化。
方法详解¶
整体框架¶
FS-Researcher 是双 Agent 框架，分为两个阶段：(1) Context Builder（上下文构建器）接收研究主题，像图书管理员一样浏览互联网、撰写结构化笔记、归档原始网页，构建层次化知识库；(2) Report Writer（报告撰写器）以知识库为唯一事实来源，分节撰写报告。两个 Agent 共享同一文件系统工作空间，支持独立的迭代优化。工作空间包含交付物（知识库/报告）和控制文件（TODO、Checklist、Log）。
关键设计¶
-
文件系统工作空间:
- 功能：提供持久化外部记忆，突破上下文窗口限制
- 核心思路：工作空间包含两类文件：交付物（index.md、knowledge_base/、sources/、report.md）和控制文件（todos、checklist、logs）。所有文件以 Markdown 格式存储。Agent 在每个 session 开始时检查工作空间状态，制定计划并执行。session 结束时根据 checklist 审查，将未达标项标记为 [IN-PROGRESS]。工具集包括文件系统工具（ls、grep、read_file、insert/delete/replace）和网络浏览工具（search_web、read_webpage）
- 设计动机：文件系统有三大优势：(a) 镜像人类处理复杂任务的原生环境；(b) 存储量远超上下文窗口，按需访问无溢出；(c) 中间产物持久可回溯，支持跨 session 迭代优化
-
Context Builder（上下文构建器）:
- 功能：系统性收集、蒸馏和归档信息到知识库
- 核心思路：交付物包含 index.md（目录，含主题分解和 KB 结构）、knowledge_base/（树状结构的笔记目录，每条陈述附引用指向 sources/）和 sources/（归档的原始网页）。工作流非线性——index.md 和 knowledge_base/ 随浏览过程动态更新。每个 session 结束时进行自检，识别知识库中的错误、缺口或冲突，标记为待处理。可迭代运行直到达到 session 预算或通过审查
- 设计动机：与直接在上下文中累积事实不同，将信息外化到文件系统允许知识库增长到远超上下文容量，且结构化组织便于 Report Writer 按需检索
-
Report Writer（报告撰写器）:
- 功能：基于知识库分节撰写高质量研究报告
- 核心思路：移除网络浏览工具，仅允许从知识库读取事实。采用多 session 写作流程：第一个 session 创建大纲（同时作为 TODO），后续每个 session 选择一个章节撰写。每节完成后进行节级审查（根据 checklist），全部完成后进行报告级审查。若发现问题则重标相关章节为 [IN-PROGRESS]。无 session 预算限制
- 设计动机：一次性生成整篇报告往往变成事实罗列，缺乏深度分析。分节写作提供频繁的重新锚定机会，结合知识库进行局部规划和自纠正
损失函数 / 训练策略¶
本文为框架工作，不涉及模型训练。使用标准 ReAct 架构驱动两个 Agent：\(T_i, A_i = M_\theta(T_{j<i}, A_{j<i}, O_{j<i}, P)\)，\(O_i = Execute(A_i)\)。支持 GPT-5、Claude-Sonnet-4.5、Gemini-2.5-Pro 等多种骨干模型。文件 I/O 延迟可忽略（<0.03% 总时间）。
实验关键数据¶
主实验¶
DeepResearch Bench 性能对比
| 方法 | 骨干模型 | Comp. | Insight | Instr. | Read. | RACE |
|---|---|---|---|---|---|---|
| OpenAI-DeepResearch | - | 46.46 | 43.73 | 49.39 | 47.22 | 46.45 |
| Gemini-2.5-Pro-DR | - | 49.51 | 49.45 | 50.12 | 50.00 | 49.71 |
| WebWeaver | Qwen3-235B | 51.45 | 51.39 | 50.26 | 48.98 | 50.80 |
| RhinoInsight | Gemini-2.5-Pro | 50.51 | 51.45 | 51.72 | 50.00 | 50.92 |
| FS-Researcher | Claude-Sonnet-4.5 | 54.25 | 55.85 | 52.47 | 51.54 | 53.94 |
| FS-Researcher | GPT-5 | 51.96 | 54.44 | 52.14 | 51.26 | 52.76 |
DeepConsult 性能对比
| 方法 | Win% | Tie% | Lose% | Avg Score |
|---|---|---|---|---|
| OpenAI-DeepResearch | 0.00 | 100.00 | 0.00 | 5.00 |
| WebWeaver | 66.16 | 12.14 | 21.68 | 6.94 |
| FS-Researcher (Claude) | 80.00 | 10.42 | 9.58 | 8.33 |
BrowseComp 准确率
| 方法 | 准确率 |
|---|---|
| Claude-Sonnet-4.5 (官方) | 43.9% |
| FS-Researcher (Claude) | 55.0% |
| GPT-5 (官方) | 54.9% |
| FS-Researcher (GPT-5) | 68.0% |
消融实验¶
模块消融（GPT-5 骨干，10 个采样查询）
| 配置 | Comp. | Insight | Instr. | Read. | RACE |
|---|---|---|---|---|---|
| FS-Researcher (完整) | 51.96 | 54.44 | 52.14 | 51.26 | 52.76 |
| - 持久化工作空间 | 48.38(-3.58) | 46.49(-7.95) | 50.78 | 49.92 | 48.69(-4.07) |
| - 双Agent→单Agent | 40.90(-11.06) | 37.55(-16.89) | 46.30 | 44.78 | 42.41(-10.35) |
| - 分节写作→一次性生成 | 47.06(-4.90) | 45.64(-8.80) | 50.50 | 46.46 | 47.63(-5.13) |
关键发现¶
- FS-Researcher 在三个基准上一致超越闭源和开源 SOTA，证明文件系统范式的框架级优势独立于骨干模型
- 双 Agent 消融影响最大（RACE -10.35），说明证据收集与报告撰写的分离是核心设计
- 增加 Context Builder 轮次（3→5→10）持续提升报告质量（Insight 从 49.48 到 55.88），但可读性在 5 轮后略有下降，因为信息密度增加导致写作风格更技术化
- 持久化工作空间对 Insight 影响最大（-7.95），说明结构化知识库对深度分析至关重要
- 用更小的摘要模型压缩上下文可降低 Context Builder 成本 47%，质量损失可忽略
亮点与洞察¶
- 文件系统作为 Agent 外部记忆的范式转换——从"信息放在上下文中"到"信息放在文件中按需加载"，是一个简洁但深刻的架构创新
- 双 Agent 分离解决了一个根本问题：信息收集和报告撰写需要不同的认知模式，混合在一起会导致过早综合和浅层探索
- 测试时扩展效应（更多计算→更好报告）的成功验证为 Agent 系统的 scaling law 提供了初步证据
局限与展望¶
- 框架依赖较强的骨干模型——需要强大的多轮规划、网络搜索和长文写作能力，小模型可能频繁提前终止
- 可读性与全面性之间存在权衡——更丰富的知识库导致更技术化的写作风格
- 未研究多 Agent 协作（如多个 Context Builder 并行搜索不同子主题）
- 存储原始网页可能涉及版权和隐私问题
相关工作与启发¶
- vs OpenAI/Google Deep Research: 商业产品技术不透明，FS-Researcher 是可复现的开源替代方案，且在多个基准上超越
- vs LangChain Open Deep Research: 在相同 GPT-5 骨干下，FS-Researcher RACE 提升 +2.16，证明框架贡献独立于模型
- vs 摘要压缩方法: 摘要压缩是有损的且仍受上下文限制，文件系统方法是无损的且无上限
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 文件系统作为 Agent 记忆的范式创新简洁而有效，测试时扩展效应验证有价值
- 实验充分度: ⭐⭐⭐⭐⭐ 三个基准、三个骨干模型、三个消融实验、scaling 分析和案例研究
- 写作质量: ⭐⭐⭐⭐⭐ 动机清晰、方法描述详尽、消融设计合理
- 价值: ⭐⭐⭐⭐⭐ 为深度研究 Agent 提供了可复现的 SOTA 框架和设计原则