SearchOS: новая система против зацикливания ИИ-агентов в веб-поиске
Современные ИИ-агенты, использующие веб-поиск как инструмент, всё чаще теряют нить задачи по мере роста истории взаимодействий: когда очередной поисковый запрос не даёт полезных результатов, одноагентные и многоагентные системы могут попасть в повторяющийся цикл, раз за разом пробовать похожие запросы, впустую тратя бюджет на поиск и в итоге выдавая неполный или некачественный ответ.
Команда исследователей во главе с Юяо Чжаном представила SearchOS, систему, которая решает эту проблему, делая прогресс поиска явным, устойчивым и общим для всех агентов, а не скрытым в истории диалога одного агента. Авторы формулируют задачу открытого поиска информации как заполнение реляционной схемы с подтверждёнными источниками: агенты находят сущности, заполняют их атрибуты в связанных таблицах и привязывают каждое значение к конкретному источнику-доказательству.
Для этого в SearchOS реализовано управление контекстом, ориентированное на поиск (SOCM, Search-Oriented Context Management). Оно выносит изменяющееся состояние поиска в четыре внешних компонента: текущую задачу (Frontier Task), граф доказательств (Evidence Graph), карту охвата темы (Coverage Map) и память о неудачных попытках (Failure Memory). На основе SOCM работает механизм конвейерно-параллельного планирования: он перекрывает выполнение нескольких суб-агентов и постоянно занимает освободившиеся слоты новыми задачами, нацеленными на непокрытые пробелы в информации, это повышает утилизацию ресурсов и пропускную способность системы.
За расписанием и контролем поисковых агентов следит специальный промежуточный слой (Search Tool Middleware Harness), который перехватывает все взаимодействия модели с инструментами, фиксирует подтверждённые доказательства и реагирует на зависания или исчерпание бюджета. Дополняет систему переиспользуемая иерархическая система навыков, стратегических и навыков доступа к источникам, которая помогает агентам не повторять одни и те же неудачные паттерны поиска в следующих запусках.
На бенчмарках WideSearch и GISA SearchOS обошёл по всем метрикам все протестированные одноагентные и многоагентные системы, взятые для сравнения.
Ключевые факты
- SearchOS, многоагентная система для открытого поиска информации, которая переводит скрытый прогресс поиска в явное, устойчивое и общее для всех агентов состояние
- Задача поиска сформулирована как заполнение реляционной схемы: агенты находят сущности, заполняют их атрибуты и привязывают каждое значение к источнику-доказательству
- Состояние хранится в четырёх компонентах SOCM: текущей задаче (Frontier Task), графе доказательств (Evidence Graph), карте охвата (Coverage Map) и памяти неудач (Failure Memory)
- Конвейерно-параллельное планирование перекрывает работу суб-агентов и заполняет освободившиеся слоты задачами по непокрытым пробелам, повышая пропускную способность
- На бенчмарках WideSearch и GISA SearchOS превзошёл все сравниваемые одноагентные и многоагентные системы по всем метрикам
Почему это важно
Веб-поиск давно стал базовым инструментом ИИ-агентов, но по мере роста диалога агентам всё труднее удерживать в голове, что уже проверено, а что нет. Если очередной запрос не дал результата, система может просто повторять похожие попытки, это тратит бюджет на поиск и снижает качество финального ответа. SearchOS решает эту проблему архитектурно: вместо того чтобы держать прогресс поиска неявно в истории диалога одного агента, система выносит его в отдельное общее состояние, граф доказательств, карту охвата темы и память неудачных попыток, доступное сразу нескольким агентам.
Кому это важно
Разработчикам и исследователям, которые строят поисковых и research-агентов на базе LLM: системы для глубокого веб-поиска, ассистентов для сбора и агрегации фактов, инструменты типа deep research. Идеи SearchOS применимы везде, где агенту нужно долго и итеративно искать информацию, не теряя из виду, что уже найдено, а что ещё предстоит проверить.
Как это применить
Архитектура SearchOS даёт готовый набор компонентов, которые можно переносить в собственные многоагентные поисковые системы: явную схему сущностей и атрибутов с привязкой к источникам вместо свободного текста; общее состояние поиска (задача, граф доказательств, карта охвата, память неудач) вместо истории чата; промежуточный слой, перехватывающий вызовы инструментов, чтобы фиксировать доказательства и реагировать на зависания; конвейерно-параллельное планирование, которое подкидывает суб-агентам новые задачи по мере освобождения слотов; и переиспользуемую библиотеку навыков поиска, чтобы не наступать на одни и те же грабли в следующих запусках.
Можно ли доверять
Это научная публикация с воспроизводимым экспериментом: авторы сравнивают SearchOS с существующими одноагентными и многоагентными системами на двух публичных бенчмарках, WideSearch и GISA, и показывают превосходство по всем метрикам. Работа опубликована на arXiv и попала в подборку Hugging Face Papers, это открытый препринт, а не рецензируемая статья в журнале или на конференции, поэтому независимая проверка результатов сообществом ещё впереди. В тексте не упомянуто, выложен ли код или веса системы в открытый доступ.
Риски и подводные камни
Дополнительные компоненты, граф доказательств, карта охвата, промежуточный слой, планировщик, усложняют систему и потенциально увеличивают накладные расходы на инфраструктуру и задержку ответа по сравнению с более простыми одноагентными подходами. Результаты получены на двух конкретных бенчмарках; насколько выигрыш сохранится на других задачах и в реальных продакшен-сценариях с иными источниками и бюджетами поиска, из текста не следует.