DRACULA：探寻用户希望深度研究智能体执行的动作

科学深度研究（DR）智能体通过综合论文生成报告，但现有反馈仅针对最终结果，难以优化中间动作。本文提出 DRACULA 数据集，收集专家对智能体提议动作（如“添加数据集部分”）的偏好及执行判断。研究发现，利用用户完整历史可显著提升大模型对动作选择的预测能力；用户隐含目标导致选择差异，需引入引导机制。基于模拟结果设计的在线干预策略能有效生成更符合用户意图的动作，揭示了长程智能体中“决定执行何种动作”比“执行动作”更具挑战性。