149 次运行、275 段发布、其中只有 2 段被真正修订——这是一支国内金融研究 Agent 团队在掘金披露的内部数据。背后是一个反直觉的发现：Agent 越能干，最终回答反而越像几份研究报告的机械拼接。他们没换更大的模型，而是重写了写作目标和上下文管理。

这是什么

「渐进式回答」（Progressive Answer）指 AI Agent 每拿到一批新证据就向用户推一段结果，而不是等所有研究做完再交付。它的本意是降低等待感，但在工程实现中容易把回答拆成多份「小报告」——每段都自带背景、小结、风险说明，组合起来用户反而要自己判断哪段才是最终结论。

他们的核心改造有两步：第一，把 Agent 的写作目标从「每段独立成文」改成「始终在写同一篇文章」；第二，让模型在每次续写前能清楚看到「自己已经写了什么」，而不是只看到历史对话（这属于 Context Engineering，即「上下文工程」，指如何把对的内容喂给模型）。他们还把评价指标从「第一段何时输出」改成「首次有用回答」，强调尽早交付的是答案而不是进度。

行业怎么看

支持者认为这是一篇诚实的工程反思——很多团队把 Agent 体验差归咎于模型不够强，但文章指出，问题经常出在交付机制上。至少说明一件事：当模型能力逐渐拉平，竞争焦点正在从「参数」转向「流程设计」。

但也有不同声音。第一，这种改造高度依赖垂直场景——金融研究有明确论证主线可以「围绕同一篇续写」，开放闲聊或创意写作未必适用。第二，文章无意间暴露了当下 Agent 框架的尴尬：上下文管理比模型本身更影响最终体验，但目前没有标准解法，各家各做各的。第三，文章末尾戛然而止，核心技术细节未完全披露，外人难以复现——换言之，这套方法是否真的「通用」，还需要更多证据。

对普通人的影响

对企业 IT：内部 Agent 项目选型时，评估重点可能要从「接的是不是顶级大模型」转向「上下文怎么管、回答怎么组织」——后者对最终用户感受影响更大。

对个人职场：经常让 AI 写周报、调研材料的人，如果发现输出像几份报告硬拼，不一定是 AI 不行，可能是工具配置或提示词需要调整。

对消费市场：短期内不会传导到 C 端产品，但它提醒一件事：AI 助手「像人」的距离，差的不是智商，而是结构感。