摘要
开放式深度研究需通过多轮检索获取知识并生成长篇报告，其中大纲作为协调检索与生成的结构支架至关重要。现有方法常因固定大纲或局部启发式优化导致结构漂移及反馈延迟。本文提出 ScaffoldAgent，一种效用引导的动态大纲优化框架。该框架将大纲演化建模为包含扩展、收缩和修订的结构化决策过程，并引入效用反馈机制，从检索增益、结构连贯性及试生成质量评估操作价值，从而指导节点选择与调度。实验表明，该方法显著提升了长文生成质量与事实准确性。
AI 推荐理由
论文核心在于动态优化研究大纲，涉及任务分解、结构规划及目标导向的决策过程。
研究机构
1,2,3*
National Engineering Research Center of Software Engineering, Peking University, Beijing, China
1,2*
1
2,3*
School of Computer Science, Peking University, Beijing, China
1,6*
论文信息