もう一つのトークンに見合わない：効率的なディープリサーチエージェントのための限界価値推定

要旨

長期的な研究エージェントは、反復的な検索・集約・統合を通じてオープンエンドなタスクを解決するが、コンテキストは急速に増大する一方で、追加証拠の限界的価値はしばしば低下する。その結果、不要なトークンコスト、レイテンシの増加、最終レポート生成における入力のノイズ増大が生じる。本研究では、ディープリサーチエージェントにおけるコンテキスト管理のための限界価値推定を調査し、パイプライン全体にわたる刈り込み戦略について、初の体系的なステージ別比較を提示する。検索前、検索後、統合前の各ステージにおいて、軽量なヒューリスティック基準と学習済み価値モデルを評価する。結果として、刈り込みの有効性は特定のスコアリングルールよりも、刈り込みを適用する位置に依存することが示された。早期の刈り込みはエンドツーエンドで最大の削減をもたらす一方、後期の刈り込みは主に最終統合コンテキストを精緻化する。軽量ヒューリスティックは品質をほとんど低下させずにトークン使用量を最大73%削減し、学習ベースの刈り込みは選択されたトレードオフにおいて競争力を維持するが、品質・効率・忠実性のすべてを単一の方法が支配するわけではない。これらの知見は、効率的な長期的エージェントシステムの設計に対する実践的な指針を提供する。

English

Long-horizon research agents solve open-ended tasks through iterative retrieval, aggregation, and synthesis, but context grows rapidly while the marginal value of additional evidence often declines. This leads to unnecessary token cost, higher latency, and noisier inputs for final report generation. We study marginal value estimation for context management in deep research agents and present the first systematic stage-aware comparison of pruning strategies across the pipeline. We evaluate lightweight heuristic criteria and a learned value model at pre-retrieval, post-retrieval, and pre-synthesis stages. Our results show that pruning effectiveness depends more on where pruning is applied than on the specific scoring rule: early pruning yields the largest end-to-end savings, while later pruning mainly refines the final synthesis context. Lightweight heuristics reduce token usage by up to 73% with little quality degradation, learned pruning remains competitive on selected trade-offs, and no single method dominates across quality, efficiency, and faithfulness. These findings provide practical guidance for designing efficient long-horizon agentic systems.