JevGPT：让自主研究智能体学会“快思考”与“慢思考”

导语

自主研究智能体通常需要在有限的时间、上下文和调用预算内，完成检索、证据判断、推理与回答。但“找到资料”并不等于“用上资料”：部分相关来源可能没有被检查，或者虽然被检索到，却没有真正影响后续研究决策。JevGPT关注的正是这道从检索覆盖到有效证据使用之间的断层。

核心方法：两个系统分工协作

JevGPT借鉴“快思考与慢思考”的双系统思路，将自主研究拆成两个相互配合的部分：

• System Two负责规划与整合。 它设定当前阶段需要寻找的证据目标，结合已经获得的发现，并决定下一步研究方向。
• System One负责快速处理证据。 它定位可能有帮助的来源，判断相关性，挑选值得深入检查的内容，并将结果反馈给研究流程。
• 并行完成独立判断。 对不同来源的局部判断可以同时进行，减少逐份处理带来的等待和开销。
• 保留原始证据片段。 被选中的原文段落会进入下一轮研究，而不是只保留过度压缩的标签或摘要。

这种设计的重点不在于简单增加检索次数，而在于让证据分析持续服务于研究目标。System Two提出“需要什么证据”，System One快速回答“哪些来源可能提供证据”，随后研究规划再根据实际发现进行调整，形成循环。

实验观察

论文在固定语料库问答和文档排序任务上评估了JevGPT。摘要显示，它取得了领先的任务表现，并且相比效果相近的研究智能体，完成速度更快、成本更低。进一步的证据分析表明，JevGPT能够检查更广泛的来源，也能让更多支持答案的文档进入研究循环。

这里的价值在于，系统优化目标从“尽快生成答案”转向“以较低代价获得更完整、可用的证据”。对于多步骤问题，研究质量往往取决于不同来源之间能否被持续发现、比较和整合，而不是某一次检索是否命中一个看似相关的页面。

意义与影响

JevGPT为自主研究智能体提供了一种清晰的工程方向：将高层规划和低层证据处理解耦，再通过原始证据与研究目标进行反馈。它也提示，未来的搜索型智能体不应只比较检索准确率或最终答案，还应关注来源检查范围、支持性文档覆盖率、研究轨迹以及单位成本下的证据产出。

当然，现有素材只披露了方法概览和实验结论，尚不足以判断其在开放网络、实时信息或更复杂模态任务中的表现。JevGPT更重要的启发，是把“如何有效处理已经找到的证据”提升为自主研究系统的核心问题。

来源：Hugging Face Daily Papers