传统AI智能体受限于上下文长度，难以胜任长周期研究任务。一项名为FS-Researcher的新框架通过引入文件系统作为外部记忆，巧妙地解耦了证据收集与报告生成过程，为处理海量信息、生成高质量长篇报告提供了可行的技术路径。
智能速览
传统AI智能体受上下文长度限制，难以完成长周期研究任务。
FS-Researcher框架利用持久化文件系统作为外部记忆，突破上下文瓶颈。
该框架采用双智能体架构，分别负责信息收集和报告撰写。
实验表明，报告质量与智能体计算量呈正相关，实现了测试时计算的有效扩展。
精华内容
FS-Researcher框架的核心创新在于将文件系统作为智能体的工作空间，彻底改变了信息处理和内容生成的协同方式。
上下文困境
深度研究任务要求智能体从海量信息中筛选证据并整合成报告，但传统的单次交互模式受限于模型固有的上下文窗口。这使得证据的收集与最终的报告写作在有限的token预算下相互掣肘，导致模型无法进行深入的信息挖掘和逻辑构建，严重限制了其在复杂、长周期任务上的表现。
文件系统方案
FS-Researcher框架提出了一种革新思路：利用持久化文件系统作为外部记忆体和工作空间。这一设计将证据的长期积累与报告的最终生成分离开来，允许智能体跨会话、分阶段地处理信息。文件系统不仅存储原始数据，更成为协调不同功能模块的中心枢纽，从而实现了理论上无限长的上下文支持。
双智能体协同
该框架具体实现为一个双智能体协同系统。Context Builder智能体负责浏览网络信息，并将关键证据和洞察结构化地存入文件系统，形成一个层次化的知识库。随后，Report Writer智能体基于这个知识库，逐节、逐段地撰写研究报告，确保内容的连贯性和引用的准确性，两者分工明确，高效协作。
性能与扩展
在DeepResearch Bench和DeepConsult基准测试中，FS-Researcher的报告质量和引用准确性均超越了OpenAI和Claude等现有先进系统，达到了SOTA（State-of-the-art）水平。关键在于，实验揭示了最终报告质量与Context Builder智能体的计算轮次呈正相关，证明了该方法能够有效利用增加的测试时计算来提升任务表现，具备良好的扩展性。
FS-Researcher为解决AI长上下文难题提供了一个优雅且高效的工程范例，展示了外部记忆与智能体架构结合的巨大潜力。这种解耦式的设计思路，或将催生出更多能够处理超复杂任务的下一代智能体系统。未来的AI智能体会普遍拥有自己的“硬盘”吗？
