公共披露库（如 SEC EDGAR）通过网络提供公司文件，帮助投资者获取信息。要用语言模型代理辅助审查，需要发现文档间未显式说明的缺陷、获取缺失的公司事实，并验证修订是否满足基于证据的要求。现有的金融问答评测只能有限地检验这些交互能力。
我们提出 FilingLoop，一个交互式基准和自我演进的代理框架，专注于企业披露的审查与修订。基于美国证券交易委员会的历史往来信件，FilingLoop 重建了 96 家公司的 380 条主要 IPO 审查任务，并在不同信息约束下进行。独立于执行代理的评估器会根据 6,099 条合格要求对最终文件和回复进行打分，并审计不支持的主张和有害的修订。
该框架在每个案例中将迭代审查与修订相结合，并在案例之间进行程序学习。它把需求层面的评估反馈转化为角色特定的指导，而不更新模型权重。更新仅影响后续案例，使得程序适应性可以在不重新评估已打分任务的前提下进行评估。
在评估流中，演进后需求满足率从 $24.28\%$ 提升至 $27.96\%$，完整评论解决率从 $16.90\%$ 提升至 $20.75\%$，总成本相较固定策略提升 $5.8\%$。FilingLoop 将代理发现的关注点、获取的公司事实以及最终的修订关联起来，为后续审查任务提供需求层面的程序反馈。
点评：FilingLoop 展示了在真实监管语境下通过程序化学习提升 LLM 代理审查能力的可行路径，为金融合规自动化提供了新思路。