Open Deep Research项目中人类反馈在多次迭代规划阶段丢失的问题分析

问题背景

在Open Deep Research项目的报告生成流程中，存在一个关键的设计缺陷：当用户对报告计划进行多次反馈迭代时，系统无法保留历史反馈记录。这导致每次新的反馈都会覆盖之前的改进建议，使得规划过程无法真正积累用户的优化意见。

技术细节解析

该项目的核心流程包含generate_report_plan和human_feedback两个关键阶段的循环迭代。在当前的实现中，系统状态管理存在以下问题：

1. 状态覆盖问题：当用户提供新的反馈时，系统会直接覆盖feedback_on_report_plan状态变量，而不是追加新的反馈内容。

2. 上下文丢失：规划模型在每次迭代时只能看到最新的反馈，无法参考之前的所有反馈历史，这限制了模型基于完整反馈历史进行持续优化的能力。

3. 版本控制缺失：系统没有保留报告计划(sections)的历史版本，使得无法追踪计划随反馈变化的演进过程。

解决方案探讨

针对上述问题，技术团队提出了两个层级的解决方案：

基础解决方案

最简单的修复方式是修改状态管理逻辑，将反馈内容追加而不是覆盖。具体实现可通过修改状态类中的字段定义，使用类似operator.add的操作符来实现列表内容的追加而非替换。

这种方案的优势在于：

• 实现简单，改动量小
• 保留了所有历史反馈记录
• 不影响现有架构的其他部分

进阶优化方案

更完善的解决方案应考虑以下改进：

1. 完整上下文保留：不仅保存反馈历史，还应保留每次迭代的报告计划版本，为规划模型提供完整的演进上下文。

2. 反馈关联机制：建立反馈与特定报告计划版本的关联关系，帮助模型理解每个反馈对应的具体上下文。

3. 版本对比功能：提供不同版本报告计划的对比视图，帮助用户更直观地看到改进过程。

实现建议

对于希望实现类似功能的开发者，建议考虑以下技术要点：

1. 状态管理设计：使用不可变数据结构或专门的版本控制系统来管理状态变更历史。

2. 上下文窗口优化：当使用大语言模型时，需要精心设计提示工程，确保相关历史信息能有效纳入模型的上下文窗口。

3. 用户界面改进：为用户提供清晰的反馈历史视图和版本对比工具，增强交互体验。

总结

Open Deep Research项目中发现的这个反馈丢失问题，实际上反映了AI辅助写作系统中一个常见的设计挑战。通过实现反馈历史的完整保留和有效利用，可以显著提升系统的迭代优化能力和用户体验。这个案例也为其他类似项目提供了有价值的参考，展示了在AI-human协作系统中状态管理和历史追踪的重要性。