Table-as-Search：将长期智能体信息搜索建模为表格补全任务 Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion
用结构化表格管理搜索状态，统一解决深度/广度/深广混合信息搜索
前置知识
Agentic InfoSeeking（智能体信息搜索）
一种需要 LLM 智能体在大规模网络环境中进行多步交互、推理和信息综合的复杂任务。与传统单次检索不同，智能体需要制定搜索计划、访问多个网页、筛选和验证信息，最终合成答案。这类任务通常涉及数十甚至数百次工具调用，上下文窗口中积累了大量搜索结果和中间状态。典型场景包括 Google Deep Research、Perplexity 等深度研究系统。
本文的核心问题就是 Agentic InfoSeeking 在长期（long-horizon）场景下状态管理失控，理解这个任务范式是理解本文动机和方法的前提。
ReAct 范式
ReAct（Reasoning + Acting）是当前 LLM 智能体的主流范式，由 Yao et al. (2022) 提出。它将推理（CoT chain-of-thought）和行动（工具调用）交织在一条非结构化的纯文本轨迹中。智能体在每一步根据整个历史轨迹生成下一步的推理和行动：$r_{t+1}, a_{t+1} \sim \pi(\cdot \mid q, \tau_t)$，其中 $\tau_t = (o_1, r_1, a_1, \ldots, o_t, r_t, a_t)$ 是包含观察、推理和行动的完整历史。这个范式简单有效，但在长期任务中，历史轨迹的信息密度稀释会导致严重的状态丢失。
ReAct 是本文的主要对比基线，理解它的机制和局限才能理解 TaS 为什么要引入结构化表格。
Lost-in-the-Middle 现象
Zhang et al. (2024) 发现的 LLM 上下文处理缺陷：当输入上下文很长时，模型对中间位置的信息关注度显著下降，倾向于关注开头和结尾的内容。在 Agentic InfoSeeking 中，随着搜索轨迹不断延长，早期重要的搜索结果可能被「淹没」在中间，导致智能体忘记已发现的约束条件或候选实体，产生重复搜索、遗漏验证等错误。
这是 TaS 要解决的核心痛点之一——非结构化文本轨迹在长期任务中不可避免地丢失关键状态信息。
Test-Time Scaling（测试时计算缩放）
在推理阶段通过增加计算预算（如多次采样、多数投票、更长推理链）来提升模型性能的策略。常见的形式包括 Pass@N（采样 N 次取最佳）、Majority Voting（多数投票）和 Max@N（N 次取最高分）。研究表明，更大的测试时计算预算通常能带来更好的结果，但收益递减。对于 Agent 任务，测试时缩放意味着更多的搜索尝试和工具调用。
本文的一个关键发现是 TaS 从测试时缩放中获益比 ReAct 更大，说明结构化规划让额外计算更有效率。
Deep Search / Wide Search / DeepWide Search
信息搜索任务的三种范式分类。Deep Search 是「深度搜索」：针对单一目标进行多步推理和约束验证（如 BrowseComp 需要在多个约束下找到唯一答案）。Wide Search 是「广度搜索」：对大量候选实体批量收集信息（如 WideSearch 需要为数百个实体填充属性）。DeepWide Search 是「深广混合搜索」：同时需要大规模候选发现和深度约束验证（如在电商场景中找到 30 个满足严格条件的商家并收集详细联系信息）。
本文的核心贡献之一是提出 TaS 作为统一框架同时处理这三种范式，理解这三种任务的区别对理解论文的实验设计至关重要。
研究动机
当前 LLM 智能体在长期信息搜索任务中面临严重的状态管理危机。以 ReAct 为代表的主流范式将搜索计划和搜索结果全部记录在一条非结构化的纯文本轨迹中，随着任务复杂度增加（搜索步数从几十到几百），这条轨迹会膨胀到数万 token，导致三个具体问题：第一，「Lost-in-the-Middle」效应使得智能体在长轨迹中间位置的关键信息上注意力下降，早期发现的候选实体或约束条件容易被遗忘；第二，在 WideSearch 这类需要跟踪数百个实体属性的任务中，非结构化记录无法高效追踪每个实体的填充状态，导致大量空缺单元格和遗漏行——在 WideSearch 基准上，ReAct-MA 的 Item-F1 仅约 56.6%，意味着近半数单元格信息不准确或缺失；第三，在 DeepWide 混合任务中，智能体需要同时管理大规模候选发现和深度约束验证，非结构化轨迹的脆弱性被进一步放大，例如在电商 BD 场景中找到 30 个满足多重条件的商家并收集联系方式，ReAct 基线的 Column-F1 仅 39.3%。
本文的目标是本文的目标是设计一种结构化的搜索状态管理框架，将长期信息搜索任务从非结构化的文本生成重新建模为结构化的表格补全任务。具体而言，框架需要实现三个目标：（1）用表格的行列结构精确追踪搜索状态（哪些候选已发现、哪些属性已填充、哪些还需搜索），避免状态丢失；（2）将大量搜索结果卸载到外部数据库而非塞入上下文窗口，释放智能体的推理能力；（3）提供统一表示，使同一框架能无缝处理 Deep Search、Wide Search 和 DeepWide Search 三种截然不同的搜索范式。在性能上，框架需要在 WideSearch 和 DeepWide 等长期基准上超越现有 SOTA 多智能体框架和商业深度研究系统。
与已有工作不同的是，本文的独特切入角度在于：它不是从「压缩上下文」或「改进推理链」的角度来优化 Agent，而是从「数据结构」的角度重新定义问题。现有工作（如 ReSum 的上下文摘要、AgentFold 的折叠策略）试图在非结构化框架内通过压缩来缓解上下文溢出，但这些方法本质上是有损的——压缩过程可能丢失关键状态信息。TaS 则另辟蹊径：它认为信息搜索的瓶颈不在推理能力，而在状态管理。通过将搜索状态显式映射到结构化表格（行=候选实体，列=约束/属性），每个单元格的状态（待填充/已填充/不适用）都是确定性的，从而从根本上消除了非结构化轨迹中的状态模糊性。这种「数据为中心」（data-centric）的设计理念与已有的「模型为中心」或「过程为中心」的改进方向正交，可以与它们互补叠加。
核心方法
TaS 的核心直觉可以用一个日常类比来理解：想象你是一个采购经理，需要在全球范围内找到符合多个条件的供应商。如果用 ReAct 的方式，你会在笔记本上随意记录搜索过程——先搜了什么、发现了什么、还有什么要查——很快笔记就会变成一团乱麻。TaS 的做法则是打开一个 Excel 表格：行是候选供应商，列是需要收集的信息（国家、产品线、联系方式等），每个单元格要么已填（已确认信息），要么待填（还需要搜索）。这个表格就是你的「搜索仪表盘」，一眼就能看出进展如何、哪些还需要努力。在技术实现上，TaS 是一个以共享数据库表格为中心的多智能体系统：主智能体（Planner/Main-Agent）解析用户查询生成表结构（Schema），然后动态编排子智能体（Sub-Agents）进行并行的行扩展（发现新候选）和单元格填充（收集属性信息），最终当表格饱和时从结构化数据中合成答案。
TaS 与已有方法最本质的区别在于：它将搜索状态从智能体的「脑内记忆」（上下文窗口中的非结构化文本）转移到了「外部笔记本」（结构化数据库表格）。这个转移带来了三个根本性改变：第一，状态管理从隐式变为显式——在 ReAct 中，智能体必须在一个 forward pass 中同时完成信息提取和状态追踪，而 TaS 中每个单元格的填充状态是数据库中确定性的布尔值（已填/待填），不存在模糊性；第二，信息存储从有限上下文变为外部数据库——大量的搜索结果被卸载到 MongoDB 中按需访问，智能体的 64K 上下文窗口只保留表格快照和推理所需的精简信息；第三，规划从「一步想一步」变为「全局视图驱动」——主智能体可以通过查看表格中哪些行/列还有空缺来制定精确的下一步计划，而非在长轨迹中盲目前行。用形式化语言表述，策略从 $\pi(\cdot \mid q, \tau_t)$ 变为 $\pi(\cdot \mid q, \tau_t, T_t)$，其中 $T_t$ 是当前表格状态。
方法步骤详情
TaS 的执行分为三个阶段。阶段一：表结构初始化（Table Initialization）。主智能体解析查询 $q$，通过函数 $\phi(q) \rightarrow S$ 将查询映射到结构化 Schema $S = \langle K, C, I \rangle$，其中 $K$ 是唯一标识候选的键列（如公司名），$C$ 是约束集（如「目标市场=西班牙」），$I$ 是需收集的信息集（如电话、邮箱）。然后在 MongoDB 中创建对应的数据表。阶段二：动态编排（Dynamic Orchestration）。主循环中，主智能体根据表格当前状态选择两种行动之一：（a）行扩展（Row Expansion）——当候选不足时，基于约束列 $C$ 制定 $n$ 个多样化的搜索策略，派发子智能体并行执行广度搜索以发现新候选，结果通过 add_records() 插入新行；（b）单元格填充（Cell Population）——当候选充足但信息不完整时，提取所有含空缺单元格的行，按行并行派发子智能体执行深度搜索以填充属性，结果通过 update_records() 更新对应单元格。这个循环持续到表格饱和（count_table() 确认所有必填单元格已填充）或超时。阶段三：答案合成（Answer Synthesis）。主智能体从数据库检索结构化证据进行最终答案合成——对于 Deep Search，交叉验证约束筛选唯一目标；对于 Wide/DeepWide Search，直接执行结构化查询导出已验证的候选集。
技术新颖性
TaS 的技术新颖性体现在四个层面。第一，问题建模的创新：首次将 InfoSeeking 形式化为 Table Completion 问题，提供了 $T[i,j] \in V \cup \{\emptyset, \text{N/A}\}$ 的统一表示，其中 $\emptyset$ 表示待填充、N/A 表示无需检索，这种建模方式将搜索规划、状态追踪和信息收集统一在同一框架内。第二，架构设计的创新：将规划（Main-Agent）与执行（Sub-Agents）解耦并通过数据库接口连接，这种「规划器+执行器+共享存储」的架构天然支持插件化替换——例如可以用专精深度搜索的 32B 微调模型替换通用子智能体。第三，与现有改进的正交性：TaS 不是 ReAct 的替代品，而是其上层的结构化包装。它可以与上下文摘要、过程规划等技术叠加使用（论文 Section 5.3 验证了这一点），且其独特优势在于将状态从上下文卸载到外部存储，这是纯上下文压缩方法做不到的。第四，统一表示三种搜索范式：通过调整 Schema 中 $C$ 和 $I$ 的配置（$|C|>0, |I|=0$ 为 Deep Search；$|C|=0, |I|>0$ 为 Wide Search；$|C|>0, |I|>0$ 为 DeepWide Search），同一框架能无缝切换任务类型。
实验结果
论文在三类基准上进行了大规模实验，涵盖 GAIA、BrowseComp-ZH（Deep Search）、WideSearch（Wide Search）和自建的电商 BD 基准（DeepWide Search），结果全面验证了 TaS 的有效性。在 Deep Search 上，以 Gemini-2.5-Flash 为例，TaS 在 GAIA 的搜索依赖子集上将准确率从 ReAct-MA 的 34.2% 提升到 49.4%（+15.2%），在 BrowseComp-ZH 上整体准确率从 38.4% 提升到 51.5%（+13.1%），且这一提升在非搜索任务上反向回落（-18.2%），说明表格开销对简单内部推理任务是不必要的，而对搜索任务是关键性的。在 Wide Search 上，TaS（Claude-Sonnet-4 NoThink）的 Avg@4 成绩为 Item-F1 60.5%、Column-F1 74.7%，全面超越 ReAct-MA（Item-F1 56.6%、Column-F1 68.0%），更关键的是同时提升了精确率（+4.4% Item-Precision）和召回率（+8.4% Column-Recall），打破了广度搜索中「越搜越噪」的常见困境。在 DeepWide Search 上，TaS 以 Claude-Sonnet-4 实现了 Column-F1 55.9% 和 Item-Precision 63.5%，显著优于 Gemini DeepResearch（51.2% / 58.3%）和 ReAct-MA（39.3% / 44.2%）。一个特别引人注目的发现是：TaS 用较弱的 Gemini-2.5-Flash 也能超越 ReAct-MA 搭载更强 Gemini-2.5-Pro 的表现（Deep Search 中 52.4% vs. 38.4%），说明性能瓶颈在状态管理而非推理能力。在测试时缩放分析中，TaS 从增加计算预算中获益更大——BrowseComp-ZH 上从 N=1 到 N=2 的提升从 ReAct-MA 的 +2.4% 放大到 +7.2%。消融实验进一步表明，Planner（主智能体）是框架的关键瓶颈，降级 Planner 从 Qwen3-Max 到 Qwen3-30B 导致 BC-ZH 下降 29.4%，而降级 Sub-Agent 的影响温和得多。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| GAIA (Deep Search, 需搜索子集) | Accuracy | TaS Qwen3-Max: 49.4% | ReAct-MA Qwen3-Max: 46.8% | +2.5% |
| GAIA (Deep Search, Gemini-2.5-Flash) | Overall Accuracy | TaS: 51.5% | ReAct-MA: 38.4% | +13.1% |
| BrowseComp-ZH (Deep Search) | Accuracy | TaS GPT-5 Medium-Think MA: 63.7% | ReAct-MA GPT-5 Medium-Think: 62.9% | +0.8% |
| BrowseComp-ZH (Deep Search) | Accuracy (Max@4) | TaS Claude-S4 NoThink MA: 9.1% | ReAct-MA Claude-S4 Thinking: 6.5% | +2.6% (Max@4) |
| WideSearch (Avg@4) | Item-F1 | TaS Claude-S4 NoThink MA: 60.5% | ReAct-MA Claude-S4 NoThink: 56.6% | +3.9% |
| WideSearch (Avg@4) | Column-F1 | TaS Claude-S4 NoThink MA: 74.7% | ReAct-MA Claude-S4 NoThink: 68.0% | +6.7% |
| WideSearch (Avg@4) | Item-Precision | TaS Claude-S4 NoThink: 68.0% | ReAct-MA Claude-S4 NoThink: 63.6% | +4.4% |
| WideSearch (Avg@4) | Column-Recall | TaS Claude-S4 NoThink: 72.4% | ReAct-MA Claude-S4 NoThink: 64.0% | +8.4% |
| DeepWide Search (电商 BD) | Column-F1 | TaS Claude-Sonnet-4: 55.9% | Gemini DeepResearch: 51.2% | +4.7% |
| DeepWide Search (电商 BD) | Item-Precision | TaS Claude-Sonnet-4: 63.5% | Gemini DeepResearch: 58.3% | +5.1% |
| DeepWide Search (电商 BD, 32B Sub-Agent) | Item-Precision | TaS + 32B Sub-Agent: 67.7% | Gemini DeepResearch: 58.3% | +9.4% |
局限与改进
论文和我自己的分析共揭示了以下局限。作者承认的第一个限制是泛化性：TaS 在非搜索任务上表现不稳定，GAIA 的非搜索子集上性能回落了 18.2%（Qwen3-Max），说明结构化表格对仅依赖内部知识或简单指令跟随的任务引入了不必要的刚性。第二个限制是对强 Planner 的依赖：消融实验表明 Planner 是性能瓶颈，降级到 Qwen3-30B-A3B 导致 BC-ZH 下降 29.4%、WideSearch Item-F1 下降 21.6%，这意味着框架对 Planner 模型的质量高度敏感。第三个限制是 DeepWide Search 基准的规模和评估方式：仅 20 个样本，且依赖人工标注（4 名硕士学历的 BD 专家，时薪 $34+），虽然作者解释了成本约束（执行成本超 $5,000），但小样本量可能影响统计显著性。从我自己的观察来看，论文没有报告具体的时间延迟和 token 消耗对比，虽然声称 TaS 更高效，但数据库操作和多智能体协调本身也有开销；此外，论文使用了 MongoDB 作为外部存储，但没有讨论这个选择对框架性能的影响以及替代方案的对比。
独立分析的弱点
第一，Schema 生成的自动化程度不足：主智能体需要从自然语言查询中推断出合适的表结构 $S = \langle K, C, I \rangle$，这个过程本身就是一个复杂的推理任务。对于模糊或多义的查询，Schema 的质量直接决定后续搜索的方向。改进方向可以是引入 Schema 验证和迭代修正机制，或者用少量示例进行 Schema 模板匹配。第二，单元格填充的粒度是固定的：每个单元格对应一个属性值，但某些属性可能需要多步推理才能获得（如「该公司的 CEO 是谁」可能需要先找到公司官网再找到关于页面）。可以考虑引入层次化的子表格结构，让复杂属性自动分解为多个子步骤。第三，缺乏对搜索结果质量的显式评估：当前框架假设子智能体返回的结果是正确的，但在实际网络搜索中，信息过时、矛盾或不准确是常见问题。可以在表格中增加「置信度」或「来源可靠性」列，实现更细粒度的质量控制。第四，行扩展策略相对简单：当前是基于约束列生成多个搜索策略并行执行，但没有对候选实体的多样性进行显式建模。可以引入探索-利用权衡机制，在确认已有候选的同时保持对搜索空间新区域的探索。
未来方向
作者提出了三个明确的未来方向。第一，优化 Planner 模型：通过 Agentic RL（强化学习）训练专门的规划模型，减少对商业闭源模型的依赖。当前消融实验表明 Planner 是瓶颈，专门训练的规划器可能用更小的参数量实现更好的规划质量。第二，将 TaS 与训练型搜索智能体深度结合：论文已经展示了 MiroThinker-8B 作为子智能体的潜力（Item-F1 从 49.9% 提升到 67.6%），未来可以进一步训练专门适配 TaS 表格接口的子智能体。第三，开发自适应机制：根据任务特征（是否需要搜索、搜索的深度/广度比例）动态切换 TaS 的结构化规划和自由形式推理模式，解决非搜索任务上的性能波动。从论文成果可延伸的方向包括：将 TaS 应用于多模态信息搜索（如包含图像、视频的搜索任务）；探索表格 Schema 的自动进化（根据搜索过程中发现的新模式动态扩展列定义）；以及将 TaS 的表格结构用于搜索过程的可解释性展示——用户可以直接看到智能体的搜索进展和决策依据。
复现评估
论文在代码和数据方面提供了较好的复现条件。代码和数据集已在 GitHub 开源（https://github.com/AIDC-AI/Marco-Search-Agent）。实验基于 SmolAgents 框架和 WideSearch 评估工具，这些都是公开可用的。工具方面仅需 Google Search 和 Webpage Visit 两个标准工具。硬件方面，训练子智能体需要 8 块 NVIDIA A100 GPU（32B 模型 SFT 约 5 小时），推理需要 64K 上下文窗口。然而，复现存在几个挑战：（1）DeepWide Search 基准仅有 20 个样本且依赖人工评估，无法完全自动化复现；（2）实验涉及多个商业 API（GPT-5、Claude-Sonnet-4、Gemini-2.5 系列），API 成本可能超过 $5,000；（3）论文在 WideSearch 上使用了 Avg@4 的多次采样策略，进一步增加了成本。总体而言，Deep Search（GAIA、BrowseComp-ZH）和 Wide Search（WideSearch）的复现可行性较高，DeepWide Search 的复现则需要较高的标注成本。
论文图表
