结论
哈佛大学 Milad Rezaei Hajidehi、Qitong Wang 与 Stratos Idreos 团队于上海时间 2026 年 9 月 1 日 00:53（对应 UTC 2026 年 8 月 31 日 16:53）以预印本 arXiv:2608.31082v1 首次公开研究《Token-Efficient Data Reasoning Agents via Adaptive Structuring of Unstructured Data》，提出 Agentic Data Cracking。核心发现是：非结构化数据推理的高成本可通过查询驱动的自适应结构化显著降低——在 FanOutQA 扩展上保留接近原始智能体精度的同时平均成本降低 53%，而基于理想预结构化库的推理比直接读文档便宜 28 倍；该成果当前为预印本，未经同行评审，评估限于受控基准与单次复用的前提条件。
方法与评估条件
研究将数据推理定义为需从分散的大文档中抽取稀疏证据、逐步骤构筑实体与关系再传递的 latent structured data reasoning。基线智能体需规划、搜索、打开文档、抽取事实并执行代码，属于 prefill 密集型。为避免全量预结构化的不可行性，作者设计 Agentic Data Cracking：系统永不为抽取而单独打开文档，仅当主推理智能体因答题未命中结构化存储而打开原始文档后，立即以共享前缀与 KV-cache 复用分叉出 cracking 子智能体；在已付费的上下文上以有界解码推测式抽取接地实体、属性与关系（建模为带基数、单位与证据的扩展 RDF 边），经校验后编目入库。后续查询先查 catalog 视图（每文档可用主体-关系对清单）并尝试结构化读取，命中则无需打开文档，缺失则回退至文档。评估以 FanOutQA（Wikipedia，平均每题 7 文档）为核心，扩展为每测试题增加 1 道相关题以创造复用机会，并辅以 Hitchcock/Scorsese 演员交集等扇出更大的个案研究；对比原始文档智能体、理想预结构化库与 cracking 三种条件，度量精度与 token/成本。
数据范围与主要结果
范围上，单题在原始文档路径下最高消耗约百万 token、近 1 美元，验证了成本瓶颈。作者通过人工将每题所需全部事实抽取入库构建理想库，测得该库推理比原始文档便宜 28 倍，且该倍数随扇出增长而扩大至数量级。Agentic Data Cracking 在扩展 FanOutQA 上实现 53% 平均成本削减且精度基本保持，并在第 10 百分位的节省上已达 9 倍；个案调查中达约 3 倍。随着工作负载持续运行，复用率随查询局部性累积而提升，已抽取的结构化资产可在不同模型间迁移，形成持久的数据护城河，区别于易失的 KV 缓存。所有数值均为作者在特定模型与服务配置下的单次受控报告。
局限与不确定性
作者在讨论中明确边界：结果依赖 Wikipedia 与 FanOutQA 的特定领域与平均扇出，未覆盖真实企业长文档、高扇出与长程调查；成本对比基于理想库的人工完全抽取与 Haiku 等特定实现，实际抽取的不完备性与标签不一致会影响复用；推测式抽取可能抽取过度或不足，错误若未被校验环节拦截会累积。研究为 7 页预印本，缺乏同行评审与独立复现，局部基准提升与模拟节省不应外推为普遍、因果或已获学界认可的事实，先验的语义局部性假设与存储膨胀、一致性维护等工程问题仍需验证。
是否同行评审与潜在意义
该工作当前状态为预印本，未发表于期刊或会议，需标注为未同行评审，引用与应用应审慎。其意义在于为以百万 token 计费的智能体数据推理提供了数据库自适应思想的新路径：将推理已付费的上下文转化为可跨查询与跨模型复用的结构化沉淀，以极低边际成本逐步把昂贵的文档推理转为廉价的结构化查询。若在更大规模真实工作负载与独立验证中保持，该范式有望显著降低企业与开放域智能体的运行成本，但在大规模部署前仍需同行评审、独立验证、错误控制与长期维护评估。