FS-Researcher：基于文件系统的智能体在长周期研究任务中的测试时扩展方法

深度研究正成为大语言模型（LLM）智能体的典型长周期任务。然而，其长轨迹常超出模型上下文限制，压缩了证据收集与报告撰写的token预算，阻碍了有效的测试时扩展。本文提出FS-Researcher——一种基于文件系统的双智能体框架，通过持久化工作区将深度研究扩展至上下文窗口之外。其中，Context Builder智能体作为“图书管理员”，负责浏览网络、撰写结构化笔记，并将原始资料归档至可远超上下文长度的分层知识库；Report Writer智能体则逐节撰写最终报告，以该知识库为事实来源。文件系统在此充当持久外部记忆与跨智能体、跨会话的共享协调媒介，支持上下文窗口外的迭代优化。在DeepResearch Bench和DeepConsult两个开放式基准上的实验表明，FS-Researcher在不同主干模型上均取得最先进的报告质量。进一步分析证实，最终报告质量与分配给Context Builder的计算资源呈正相关，验证了该文件系统范式下有效的测试时扩展能力。