边际价值估计：高效深度研究智能体的上下文剪枝策略

长时程研究代理通过迭代检索、聚合和综合来解决开放式任务，但上下文迅速增长，而额外证据的边际价值往往下降。这导致不必要的令牌成本、更高的延迟以及最终报告生成的输入噪声增加。我们研究了深度研究代理中上下文管理的边际价值估计，并首次提出了跨流程的剪枝策略的系统性阶段感知比较。我们在预检索、后检索和预综合阶段评估了轻量级启发式标准和学习的价值模型。我们的结果表明，剪枝的有效性更多地取决于剪枝应用的位置，而非具体的评分规则：早期剪枝带来最大的端到端节省，而后期剪枝主要优化最终综合上下文。轻量级启发式方法可将令牌使用量减少高达73%，且质量下降很小，学习的剪枝在选定的权衡上保持竞争力，且没有单一方法在质量、效率和忠实度方面占据主导地位。这些发现为设计高效的长时程代理系统提供了实用指导。