超长研究全景:让 Agent 跨越上下文、中断与时间继续交付
实践篇:让 Agent 持续研究半小时展开累积计算、上下文回读、摘要采用与报告收敛的真实排查。
用户交来一个问题:“请比较两只主题基金与我的组合,先给我一份有依据的初稿,再把关键疑点查清。”模型读了很多资料,调用了几次计算,又启动几个专家。半小时后,进度列表很长,用户却仍不知道两只基金哪里不同,更不知道哪些结论可以采用。
问题不一定在于模型不够努力。它可能还没有读到关键披露,也可能已经拿到数据,却一直在继续搜索;计算可能成功了,但下游没有真正消费结果;答案甚至已经生成,只是没有保存为用户可以重新打开的成果。这些情况看起来都像“研究还在继续”,需要的修复却完全不同。
这里的“超长”没有统一的小时数或 token 阈值。它指的是:一项研究的生命期,已经超过一次请求、一个上下文窗口或一段不间断进程能够承载的范围。 扩大窗口、延长超时可以推迟某些限制,却不能回答研究是否推进、该不该交付,以及中断后凭什么接着做。
本文沿同一项教学任务展开。基金、数值和路径演练用于解释机制;真实工程观察会单独标明,不把它们拼成一次已经完成的端到端投资研究。我们要建立的整体关系是:新证据改变研究判断,原记录保留已经发生的事,成熟的成果持续到达用户。
一、先分清四个会被误叫成“会话”的对象
长研究首先是一个身份问题。用户认为“还是刚才那件事”,不意味着系统里的所有状态都应该共用一个生命期。
| 对象 | 保存什么 | 为什么不能互相替代 |
|---|---|---|
| 用户任务 | 原问题、限制、明确调整,以及希望取得的成果 | 可以跨越多次执行;“继续”不能替换原问题 |
| 执行 Run | 本次授权、资源、模型轮次、工具效果和终态 | 进程恢复可以继续同一 Run;新执行仍有自己的身份 |
| 工作上下文 | 当前推理需要的原文、摘要、结果引用和未解问题 | 它会压缩和变化,不能成为所有历史的唯一副本 |
| 正文与产物 | 已接纳的报告版本、文件及交付记录 | 研究仍在继续,已经成立的成果也可以保存和阅读 |
图 1 · 四个对象彼此关联,各自保留原身份。工作上下文变短,不应使已记录的用户要求、工具效果或报告消失。点击可查看完整矢量图。
这一区分决定了产品怎样对待时间。用户关掉页面,只结束一次观看,不必结束已获准后台执行的研究;服务换了进程,不必重算已经完成的工作;用户要求补查,也不必覆盖旧报告。反过来,一次新提问不能仅因为出现在同一聊天里,就自动获得前一 Run 的来源访问权。
对一次性问答,这样拆分可能不值得。只需读一段材料并回答时,普通请求和历史记录已经够用。只有任务确实跨越窗口、进程或交付阶段,混在一起的身份才开始造成重复执行、串话和成果丢失。
二、研究怎样前进:让新证据改变下一步
进展改变的是判断,不是活动列表
继续基金比较。主模型想计算两只基金的精确持仓重叠,读取后发现一只只披露前十大,另一只披露完整持仓。此时再搜索十次同一份摘要、换一个专家复述,未必增加任何价值。真正有用的下一步可能是找同口径资料,计算已披露部分的已知贡献,或撤回“精确重叠”这个暂时无法成立的目标。
判断进展时,可以问:新信息改变了原问题的哪一部分? 它可能补上事实,也可能否定假设、暴露冲突,或者证明现有材料只能支持更窄的答案。合理收窄结论也是进展;把未知悄悄写成零不是。
当前模型指引把常见缺口分成三种临时思考角度:
- 缺证据:不知道基金份额类别、报告期或具体持仓,需要取得原始资料。
- 缺变换:数据已经取得,但还没对齐日期、统一单位、聚合或计算。继续搜索不能代替这一步。
- 缺判断:事实和计算已经足够,尚需解释它们如何回应用户的问题,以及什么结论仍不能下。
这不是三条固定路由,也不是新的数据库字段。它的作用是提醒模型在重要结果、失败、冲突或研究阶段变化后重新选择下一步。把“还不确定”一律翻译成“再搜索”,会让长研究停在收集材料的阶段。
问题清单可以改,原问题不能被勾掉
ETF Agent 用研究问题清单帮助模型记住重要缺口。新证据可以让一个问题从待查变成有答案,也可以重新打开先前认为解决的问题。没有实质变化时,不必为了留下活动痕迹再更新一次。
关键在于,这张清单是模型的工作判断。将条目设为 resolved,不能证明来源可靠、比较正确或用户已经同意;删除一个条目,也不能取消用户原本提出的要求。相应地,保留 unresolved 并交代限制,可以是诚实结束,而非必须阻断交付的异常。
运行时可以确认清单保存了、工具返回了哪些内容、它们是否真正进入下一次请求,却不该通过关键词、条目清空或调用次数推断“研究充分”。把这些指标做成自动完成门,模型很容易学会满足表格,而不是解决问题。
工具成功之后,还要确认结果能被消费
近期一条受控工程验证很能说明这一点:原生分析已经完成,转换后的内容本身也能被基金研究方法读取,但包上真实工具返回结构后,下游拒绝了输入。原因不是算错,而是消费者只认旧脚本的 exitCode=0;当前原生分析的完成合同没有这个字段。
修复没有伪造退出码,也没有让模型重抄一遍数据。原输入解析器识别当前已完成的分析结构,并要求保留输出的 UTF-8 字节数完整、未截断,再交给既有方法读取。失败、取消、未知或不完整输出仍不能冒充可用结果。来源授权与计算含义继续由原责任方负责。
这个反例改变了排查顺序:看见“工具成功、研究没前进”,先检查真实输出是否到达了消费端,再判断模型有没有用好它。只改提示词无法修复协议不兼容;只修协议也不能证明模型以后一定会作出正确研究选择。
三、先交出有用的阶段结果,再围绕缺口继续
反馈与交付回答不同的问题
“已找到两份报告,正在核对口径”回答的是用户是否还需要等待;“费用比较已核实,但持仓只能覆盖披露部分”开始回答研究问题。两者都可能有价值,却不能合并为同一个完成指标。
一条值得发送的进度反馈,通常发生在研究路线改变、关键限制出现、用户需要决定,或等待已超出合理预期时。它不需要伪装成报告。阶段成果则应在内容已有独立价值时出现,而不是等到所有分支完成。 如果费用口径已核实,持仓来源还在等待,前者可以先交;如果缺失的恰好是费用生效日期,就不能为了“早点有答案”发布一个确定数字。
普通 Research 指引鼓励及时发送已有支持、能够独立阅读的部分;Deep 则先反馈进度,在必要证据比较后形成综合结论,独立成熟的小节仍可提前交付。正文沿原发布路径处理。它没有引入一个 answerReady 字段、定时强制写作调用或第二个初稿生成器。成熟与否仍由模型结合原问题和实际证据判断,运行时只执行已有的来源、数值、权限、版本与资源约束。
完整取得,不等于完整覆盖
用一个明确的合成例子看“成熟”的范围。组合中某基金占 20%,它已披露的两只股票在基金内分别占 25% 和 15%。可计算的已知组合暴露是 5% 和 3%。剩下 92% 仍未知,其中 80% 来自尚未观察的组合其余部分,12% 来自这只基金未披露的部分。
这份结果可以支持“已知暴露及未覆盖范围”,不能支持“完整组合穿透”,也不是两只基金的加权重叠率。网页全部读完,只证明传输完整,不会让原本部分披露的财务材料变成完整数据。对应的原生消费验证已经把这组口径传到保存、下载的 HTML;它使用合成输入与受控请求,不能据此声称真实模型自主完成了整项金融研究。
阶段交付需要这类贴近结论的范围说明,而不是先写过强结论,再在文末统一免责。已经成立的独立正文,也不应被一个坏掉的引用附件或无关慢查询吞掉;真实权限拒绝仍限制对应内容。
快,不意味着尽早结束;深,也不意味着用满预算
有证据支持原问题,就应综合回答。再找几个没有改变判断的来源、重复总结已经交付的部分,未必增加深度。反过来,一个会改变用户判断的冲突还没解决,就不能因为已经发过一段文字而宣布完成。
时间约定也要准确。“十分钟内给我”允许提前交付;“十分钟后通知我”约束通知时点,不意味着模型必须空转十分钟,更不意味着要隐藏已经独立获准展示的正文。到时仍未完成,应报告真实已有成果与缺口;后续是否继续取决于原授权、明确期限和剩余预算,不能把迟到的部分结果记成按时完整交付。
最后还要说明下一份结果是什么。聊天可以只展示增量;用户要的是报告时,更新稿应整合仍成立的旧结论、新发现和更正。只谈最后一个角度的短文,不能取代原报告后又被叫作“完整更新”。
四、上下文减负:外置结果、保留原文、按需回读
长研究的上下文不是档案馆,而是当前工作的桌面。真正需要减掉的,是不再帮助下一步判断的负担,而不是原始任务和事实来源。
原始要求独立保留。 “只使用指定报告期”“不要访问个人持仓”应保持原文和来源身份。助手写下的“用户大概希望全面分析”不能覆盖它们。当前 Main 压缩把原始任务、适用调整和权威状态放在语义改写之外。
大结果外置,按引用回读。 长表、网页和 PDF 提取结果可以保存后给出摘要与定位。摘要帮助选择;精确计算或有争议的结论仍要回到实际取得的原结果。读过一个片段,不等于检查过整个文件;结果有下一页,也不自动否定已经完整取得的当前片段。
压缩工作过程,而非执行事实。 已完成的研究步骤、失败方法、带条件的结论与未解问题可以形成工作摘要。调用是否完成、授权范围、数值来源和正式报告是否保存,仍从原回执取得。未知效果不能因为摘要写了“已处理”就变成成功。
Anthropic 的上下文工程文章把压缩、外部笔记和子代理作为长任务的不同工具,也指出按需读取需要付出检索延迟与工具设计成本。这里的本地选择是把工作摘要与权威事实分开,让模型减负,同时还能回到未改写的依据。
这不是“越压越小”即可。当前 Main 实现按已结算的完整历史区间生成独立摘要,不把调用和结果切开,也不把旧摘要反复总结成新摘要。它减少了递归压缩的失真机会,代价是摘要本身会逐渐占满空间。原文、工具定义、摘要、输出预留与传输开销都要计入完整请求;容量仍不足时,只能沿原有的有界收尾或接续方式处理,不能承诺无限长上下文。
Anthropic 的长期运行实践使用进度文件、Git 历史和可验证的功能清单帮助编码代理接班。这对可观察的工程功能很合适。开放研究可以借鉴“留下可接续产物”,但不能照搬成“问题清单全通过即研究正确”:后来的证据可能推翻早先结论,研究目标也未必能预先列成完整验收项。
五、进程会死,已经发生的事不能跟着丢
浏览器断线、模型请求失败、整个工作进程崩溃,是三种不同故障。没有前台连接,不等于研究已停止;看不到旧进程,也不意味着可以从头启动另一份工作。
同一 Run 的恢复先找原执行身份、持久检查点和工具回执,再由持有有效执行权的进程继续。租约与隔离旧执行者的机制解决“谁能写”;工作摘要解决“下一步如何理解任务”。这两个问题不能只靠一份自然语言交接同时解决。
| 已记录的情况 | 恢复时的合理动作 |
|---|---|
| 效果明确完成且结果可读 | 重读原回执与结果,不重复执行 |
| 明确失败,且原动作允许安全修复 | 按原预算、取消与幂等条件决定是否重试 |
| 请求可能已经执行,但没有可靠结算 | 保留未知,由原效果负责人查询、对账或按既有策略处理 |
持久化游标可能落后于真实效果。比如结果已经保存,进程却在推进检查点前崩溃。此时保存回执应优先于旧游标,不能因为游标还停在“待保存”就再做一遍;更不能通过换一个请求身份,把旧的未知费用当成不存在。
这并非某个 Agent 独有的问题。LangGraph 的容错文档同样区分节点重试与外部效果,并要求应用处理幂等和未知确认。框架能提供持久状态与恢复机制,仍需要应用决定哪些效果可重放。没有依据承诺任意外部工具都天然“恰好执行一次”。
ETF Agent 选择由既有原生循环直接顺序推进模型回合、动作执行与完成处理,由原恢复模块保存唯一执行游标。旧图工作流层已退役,原因是它与现有恢复机制重复表达同一套进度,而不是图框架不能做长研究。若新项目尚无成熟执行与持久化层,直接采用框架可能更省工程成本;已拥有这套边界的项目,再加第二个游标反而需要持续对账。
本系统的同一 Run 恢复沿用已记录的原授权,不在恢复中重解释变化中的权限表。账户与范围身份、明确取消、执行权和资源上限仍有效;历史展示和新 Run 读取分别遵循自身入口。资料字节缺失是可用性问题,不能扩大成整个 Run 授权消失。
恢复也不承诺 Python 内存变量、打开的 Reader 或临时文件原样复活。需要交付的表格和报告必须进入正式产物路径;一份旧结果引用,更不自动授权另一个 Run 读取整个旧工作区。
六、恢复、显式继续与普通新问题,走三条不同的路
图 2 · 连接恢复不创建新工作;同一 Run 恢复保留原执行事实;显式继续建立有来源关系的新 Run。普通新问题独立准入。
| 情况 | 执行关系 | 必须保留什么 |
|---|---|---|
| 重新打开页面 | 观察原任务 | 进度、已保存成果,不重跑工具 |
| 工作进程故障后恢复 | 同一个逻辑 Run | 原授权、预算、回执、取消和执行所有权 |
| 用户显式选择原研究继续 | 关联父研究的新 Run | 原问题、适用限制、获准背景,新执行身份 |
| 用户提出普通新问题 | 新任务按原入口处理 | 当前问题及其授权,不自动绑定上一项研究 |
为什么要特别保留原问题?历史上有过真实 Continue:父 Run 关联正确,新正文能够显示,历史读回也一致,研究方向却偏离了原多指数任务。调查发现,后继请求里的原用户上下文为空。这个失败不能通过“保存成功”验收,也不能仅从新答案主题猜测是哪一层丢了内容。
后续修复把显式接续交给已有准备模块:保留原始用户文本,单独携带助手摘要、来源记录、问题清单与固定授权,不再让通用入口把任务重新分类成“用户想继续”。实际后继验证了这些内容进入主模型;模型是否完整整合旧结论仍另外评价。
父研究已经有合法身份的显式接续,与研究工作区里普通发起一项新研究,也不能混用。前者按既有 Continue 合同继承适用的来源与工具授权,并绑定新 Run;新的提供方数据接收授权等效果仍按对应入口处理。后者通过普通准入建立独立授权,旧报告、文件与更正只是可选择的材料。列在目录里不代表已经读取,更不代表可以绕过材料资格。
跨多次研究保存进展时,同样保留作者身份和版本。模型的“这个问题已解决”是工作记录,不是用户确认的目标,也不是交易指令;新证据可以重开问题,遗漏旧条目不等于问题消失。这样,接续既能带着历史向前走,又不会把过去的判断固化为今天的事实。
七、用户可以随时调整,但“收到”与“采用”要分开
研究仍在后台,用户在主对话问了一个短问题,又在原研究面板补充:“请把跟踪误差也纳入比较。”前者可以独立回答,后者需要进入指定研究。一个全局忙碌状态无法表达这种关系。
调整有三层不同的结果:原消息已保存,后续模型请求实际带上它,最终答案真正回应了它。 “已收到”只证明第一层。即使第二层成立,也不能自动认证第三层,因为模型可能误解、遗漏或得出错误结论。
一条真实故障说明,即使纠偏已经进入模型输入,研究仍可能失去继续取证的能力:原请求被按预期抢占,但适配层把“这次请求为新要求让位”压成了普通取消。运行时于是将整项研究推进到只许收尾的阶段,模型失去了继续取证的工具。修复应保存并交接真实中断原因,而不是增加重试次数,或要求用户把指令再说一遍。
修复后的真实后继继续搜索和读取,后来的独立交互验证也观察到后台研究与短问分离。但同一组研究仍出现过语义错误:模型从两份文件的措辞推断“跟踪约束严一倍”。独立后继重新读取一手资料后撤回了推断,旧报告和更正分别保留。
这两个问题必须交给不同责任方。中断原因丢失是工程接缝问题;“严一倍”需要原文解释与金融语义复核。把后者修成运行时关键词禁令,既可能误杀合法比较,也没有解决模型怎样使用证据。反过来,只加强模型指引,也修不好错误的取消原因。
OpenAI 的 deep research 介绍描述了依据新信息调整研究路径,并在 2026 年更新中加入实时进度与研究中途调整。它说明这是一类真实产品需要处理的交互;公开产品说明不能替我们证明自己的消息隔离、恢复或结论质量。这里的实践增量,是沿原消息、实际模型输入和交付结果逐层验证调整究竟到达哪里。
八、长研究的资源约束要让模型和运行时看到同一件事
长研究需要继续的空间,也需要诚实停止的边界。模型请求、工具计算、并发等待、输出整理与保存,消耗的资源并不相同。不能用一个“还剩几轮”的数字,替代所有限制。
当前实现区分主研究、子代理执行与实际提供方请求的记账。子代理有自己的执行额度,不应无限挤占主模型形成结论的空间;主模型专门发送成果的回合,也可以按原策略与探索轮次区别计数。这种逻辑额度安排不退款真实模型调用:发送过的请求、时间和未知用量仍按原记录保留。 旧 Run 继续采用自己的已记录策略,不能在恢复时悄悄升级额度。
模型应看到与真实执行一致的资源事实。产品说还可以继续,外层脚本却偷偷只给更低上限,会使模型在错误条件下规划,也让失败无法归因。压力测试可以收紧额度,但必须把它作为明确实验条件,而非藏在另一个计数器里。
资源提醒的作用是促使模型重新分配工作,而不是让运行时替它判定研究充分。接近边界时,可能应停止低价值探索、交付已经支持的分析,或明确说明缺口;真正的硬上限到达,则由运行时限制相应新效果。已经独立获准的正文不应因为最后一次整理没有额度而消失。
多代理也不是免费延长研究时间。Anthropic 的多代理研究实践强调清楚的分工、动态搜索与结果综合,同时指出多代理的额外消耗,以及高度依赖共享上下文的任务未必适合拆分。对基金比较,独立核对两份披露可能值得并行;让多个专家反复解释同一张小表,未必值得。
决定是否委派时,应该能说出这一分支预计减少什么不确定性、主模型将如何取得结果,以及结果来晚了怎么办。子代理完成、提交、进入主请求、被主模型采用,是不同事实。主 Run 到达硬边界不会因子代理仍忙而无限等待;一个已提交但从未被消费的好结果,也不能算最终研究已经获益。
停放等待与空转同样不同。受支持的唤醒机制可以在合法条件满足后继续原工作;一般提醒应进入下一次已经允许的模型请求,而不是为了检查时间再调用模型。没有已配置的唤醒路径,就不应许诺“以后自动继续”。
九、判断接续有没有价值,要回到原任务
只看最终报告,很难知道系统在哪个环节浪费了时间;只看调用轨迹,又容易把忙碌当作认真。评估需要同时保留任务、证据和用户可见成果。
可以从一次实际交付倒查:
- 原问题有没有到达? 查看实际后续输入中的原任务、调整和限制,而不是只看父子 Run 关联。
- 哪些关键未知改变了? 新来源补上了什么、计算修正了什么、旧结论为什么撤回。重复读取可能是在核对不同口径,不能仅按次数判浪费。
- 最早有用的内容是什么? 它必须回应一个实质请求,并有相称依据。计划、心跳、非空预览和错误的早期数字都不算。
- 用户能否再次取得? 将实际可见、耐久保存、文件下载和完整更新报告分别核对,避免一项成功掩盖另一项缺失。
“首份有用答案时间”因此比“首个字符时间”更接近等待体验,但也更难测。需要把被审阅的内容版本与实际客户端显示时点绑定,缺少同一时钟或显示证据时保持未知。早期错误后来被修正,不能倒过来把早期时间记成正确成果到达。
比较两个方案时,也必须保留没有答案的样本。若只计算成功回答的平均耗时,快速失败、放弃难题或缩小用户范围,都可能让指标看起来变好。至少同时看有用成果是否取得、语义和来源错误、完整任务范围,以及真实资源成本。这里是在说明当前评价口径,不是在宣称本系统已经取得某个延迟改善。
模型和人工审阅负责判断证据是否支持结论、答案是否回应了问题;运行记录负责证明读到了什么、发出了什么、保存了什么。评审结论可以指导下一轮模型或工程改进,不应被偷偷塞回生产路径,变成新的语义发布门。
十、把整条链放进一次教学演练
现在让开头的合成任务经历几次变化,检查每个机制是否真的服务于研究。
先建立一份可用成果。 主模型读取费用和披露日期,确认可比较的口径。费用小节已能成立,于是交付;持仓覆盖不一致被放在相关结论旁,而不是藏在末尾。用户得到的不是“计划已完成”,而是一份有边界的初稿。
再围绕会改变结论的缺口工作。 一条分支寻找同口径披露,另一条计算已知持仓贡献。主模型区分缺资料、缺计算与缺解释,避免在已经得到数据后继续漫无目的地搜索。子代理返回可定位的结果、条件和未解问题,不只说“已完成”。
用户提出调整。 “加入跟踪误差”沿原消息进入目标研究。当前请求在支持的安全点让位,后续请求采用新要求;另一个短问仍属于自己的执行。主模型据此重开相关问题,而不是把原来标记完成的清单当作不可改变的计划。
上下文和进程先后达到边界。 已结算过程压缩为工作摘要,原要求与原结果留在各自记录。服务中断后,恢复者读取旧回执:已完成计算直接回读,未知效果先保留未知。已交付的初稿仍可打开,不要求模型重新写一次来证明它存在。
在当前窗口诚实结束。 若同口径资料仍取不到,就保存已有成果与明确缺口,并保留真实消耗。用户显式继续时,关联新 Run 带着原任务和获准背景开始;它不重放旧效果,也不能把未读的历史目录当成已经掌握的材料。
最后交付完整更新稿。 新证据可能补上缺口,也可能撤回初稿中的推断。聊天告诉用户发生了什么实质变化,报告整合仍然成立的发现、来源和更正。历史版本保留其时点,正常结束不等于所有未知都已消失。
图 3 · 交接保留下一位研究者需要的内容。原始记录可回查,摘要帮助行动,二者共同避免重复劳动与事实丢失。
这是一条设计演练,不是一份把所有组合都跑过的验收记录。它的用途,是让读者检查每次交接到底保留了什么、改变了什么,又由谁负责。
十一、已有实践说明了什么,下一步应该怎样采用?
当前私有实现已经具备原生研究循环、结果回读、Main 上下文压缩、分段正文、同 Run 恢复与显式接续的相应机制。后台研究与多个短问重叠、定向调整进入后续请求、报告与历史回读也有真实交互观察;并发会话能力仍默认关闭,不能把这些观察直接写成生产启用。
近期原生分析结果消费修复,把一条合成的组合输入、披露读取、计算和文件读回链接通了。它解决了真实实现缺口,但个人金融研究增强仍未整体完成,真实模型选择、完整业务判断和各类恢复组合不能由这条局部验证代替。前述“跟踪约束严一倍”的错误,也提醒我们:执行连贯之后,研究质量仍须独立验证。公开教学项目提供哪些能力,应以它已发布的版本为准,不能从这幅私有系统全景推定。
要给现有 Agent 增加长研究能力,可以从一个确实需要多轮资料处理的任务开始,按三个问题逐步推进:
- 先问为什么没有成果。 是关键证据没找到、数据还没变换、结果未到消费端,还是模型没有及时综合?先定位,再选修复。
- 再问什么已经值得交付。 找一个能够独立成立的结论,通过真实显示与保存路径交给用户;核心依据不足时,保留它的未知,不制造占位答案。
- 最后问中断后凭什么继续。 核对原任务、结果回执、资源消耗和报告版本能否回到下一次实际工作中,再根据瓶颈增加压缩、子代理或跨 Run 接续。
长研究的目标不是永不停止。它应当让每一段继续都有理由,每一次停下都留下可理解的状态,每一份成熟成果都能被用户取得。模型可以换一轮上下文,进程可以换一个执行者;只有原问题、已经发生的事与新的判断仍然连得上,运行更久才可能成为研究更深。
延伸阅读:后台研究与前台交互提供真实交互案例;同一 Run 上下文压缩展开工作集减负;断线与恢复讨论执行生命期;异步研究的时间约定讨论期限与阶段成果。
更多工程实践见 ETF Agent Engineering Notes,欢迎 Star,方便后续阅读。