💻 computer science

AgentIR: Reasoning-Aware Retrieval for Deep Research Agents

تقدم الورقة البحثية AgentIR، وهو نموذج استرجاع مدرك للاستنتاج وطريقة مرتبطة بتخليق البيانات (DR-Synth) تستفيد من آثار التفكير الوسيطة الصريحة لوكلاء البحث العميق لتدريب نموذج التضمين AgentIR-4B، والذي يتفوق بشكل كبير على المسترجعات التقليدية في معيار BrowseComp-Plus.

المؤلفون الأصليون: Zijian Chen, Xueguang Ma, Shengyao Zhuang, Jimmy Lin, Akari Asai, Victor Zhong

نُشر 2026-03-06

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zijian Chen, Xueguang Ma, Shengyao Zhuang, Jimmy Lin, Akari Asai, Victor Zhong

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول العثور على أغنية محددة وغامضة من أوائل العقد الثاني من القرن الحادي والعشرين. تخبر محرك بحث: "استوديو غرفة خلفية أوائل العقد الثاني من القرن الحادي والعشرين مبهج (euphoric)."

محرك البحث التقليدي (مثل تلك التي نستخدمها اليوم) يسمع هذا ويفكر: "همم، 'استوديو غرفة خلفية' يبدو وكأنه مكان لصناعة فيديوهات موسيقية، ربما في قبو؟" ثم يعطيك نتائج عامة حول استوديوهات التسجيل أو ألعاب الفيديو. إنه يشبه أمين مكتبة يقرأ فقط عنوان طلبك ويتجاهل السياق.

الآن، تخيل وكيل بحث عميق (Deep Research Agent). هذا ليس مجرد محرك بحث؛ إنه محقق. قبل أن يكتب حتى استعلام البحث هذا، يكتب لنفسه ملاحظة طويلة ومفصلة:

"حسناً، أنا أبحث عن ملحن فاز بجائزة جرامي. أعلم أنه صنع موسيقى في استوديو صغير في غرفة خلفية. الموسيقى لها نهاية 'مبهجة'، وهذا يعني عادةً أنها موسيقى 'progressive house'. أحتاج للعثور على الفنان المحدد."

المشكلة؟ محرك البحث التقليدي يتجاهل "ملاحظة المحقق" هذه. هو يرى فقط الاستعلام القصير النهائي ("استوديو غرفة خلفية..."). إنه يفتقد الإشارات الغنية التي كتبها المحقق.

الحل: AgentIR

تقدم الورقة البحثية AgentIR، وهي طريقة جديدة لمساعدة محركات البحث على فهم "ملاحظات المحقق" هذه.

إليك التفاصيل باستخدام تشبيهات بسيطة:

1. "البحث الواعي بالاستنتاج" (دفتر ملاحظات المحقق)

بدلاً من تسليم أمين المكتبة الملاحظة اللاصقة النهائية فقط ("استوديو غرفة خلفية...")، يقوم AgentIR بتسليمه دفتر ملاحظات المحقق بأكمله.

الطريقة القديمة: تسأل، "من هو القاتل؟" فيخمن أمين المكتبة بناءً على السؤال وحده.
طريقة AgentIR: تقول، "القاتل على الأرجح هو رئيس الخدم لأن المسدس وُجد في المكتبة، ورئيس الخدم كان الوحيد الذي يملك مفتاحاً."
النتيجة: أمين المكتبة (محرك البحث) الآن يفهم الهدف. هو لا يبحث فقط عن "قتلة"؛ بل يبحث عن "رؤساء خدم مع مفاتيح في مكتبات". هذا يجعل نتائج البحث أكثر دقة بكثير.

2. مصنع "DR-Synth" (صالة التدريب الرياضية)

لتعليم محرك البحث كيفية قراءة ملاحظات المحقق هذه، تحتاج إلى الكثير من بيانات التدريب. ولكن إليك العقبة: لم يسبق لأحد أن كتب مجموعة بيانات لـ "ملاحظات المحقق" من قبل. البشر الحقيقيون لا يكتبون ملاحظات قبل البحث في جوجل؛ فقط وكلاء الذكاء الاصطنا stub.

قام المؤلفون ببناء مصنع يسمى DR-Synth.

كيف يعمل: أخذوا مجموعات بيانات عادية ومملة من الأسئلة والأجوبة (مثل أسئلة المعلومات العامة).
السحر: قاموا بتغذية هذه الأسئلة لوكيل ذكاء اصطناٍ ذكي وراقبوا كيف يحلها. قام الوكيل بتوليد كل تلك "ملاحظات الاستنتاج" (مسارات الاستدلال) على طول الطريق.
المخرج: حوّل المصنع هذه الملاحظات إلى دليل تدريب ضخم. الآن، يمكن لمحرك البحث أن يتعلم: "آه، عندما يكتب الوكيل عن 'جوائز جرامي' و'نهايات مبهجة'، فهو في الواقع يبحث عن نوع موسيقي محدد، وليس عن استوديو تسجيل."

3. النتيجة: AgentIR-4B

لقد جمعوا بين طريقة "الدفتر" وتدريب "المصنع" لإنشاء نموذج بحث جديد يسمى AgentIR-4B.

الأداء:

الطريقة القديمة (BM25): مثل كلب يطارد ذيله. يصيب الإجابة الصحيحة بنسبة 37% فقط من المرات.
المنافس الكبير (التضمين القياسي - Standard Embedding): محرك بحث ذكي وثقيل (ضعف حجم المحرك الجديد) يصيب الإجابة بنسبة 50% من المرات.
AgentIR-4B: النموذج الجديد والفعال يصيب الإجابة بنسبة 68% من المرات.

لماذا يعد هذا أمراً هاماً؟

إنه مجاني: "ملاحظات المحقق" يتم كتابتها بالفعل بواسطة وكلاء الذكاء الاصطناعي أثناء عملهم. AgentIR يتعلم فقط قراءتها. لا يتطلب الأمر من الذكاء الاصطناعي التوقف والتفكير لفترة أطول؛ هو فقط يستخدم الأفكار التي لديه بالفعل.
يوفر الوقت: لأن البحث أصبح أذكى، لا يحتاج الوكيل للبحث عدة مرات للعثور على الإجابة. إنه يشبه العثور على المفتاح الصحيح من المحاولة الأولى بدلاً من تجربة 30 مفتاحاً.
يصفي الضجيج: وجدت الورقة أن استنتاج الوكيل يقوم فعلياً بـ تصفية الأفكار السيئة. إذا فكر الوكيل: "ربما هي فنلندا؟" ثم أدرك: "لا، إنها السويد"، فإن مسار الاستدلال يقوم بتحديث نفسه. يتعلم AgentIR تجاهل تخمين "فنلندا" والتركيز على "السويد". إنه يشبه القيم الذي ينظف غرفة فوضوية قبل إظهارها للضيف.

الخلاصة

نحن ننتقل إلى عصر ستكون فيه وكلاء الذكاء الاصطناعي (وليس البشر فقط) هم المستخدمين الأساسيين للإنترنت. هم يفكرون بخطوات طويلة ومعقدة.

تقول هذه الورقة: "توقفوا عن معاملة وكلاء الذكاء الاصطناعي كبشر مشوشين. امنحوهم محرك البحث الذي يفهم عملية تفكيرهم." من خلال السماح لمحرك البحث بقراءة "تفكير" الوكيل، نحصل على إجابات أفضل، بشكل أسرع، وبقدر أقل من قوة الحوسبة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "AgentIR: الاسترجاع المدرك للاستدلال لوكلاء البحث العميق (AgentIR: Reasoning-Aware Retrieval for Deep Research Agents)."

1. بيان المشكلة

وكلاء البحث العميق (نماذج لغوية كبيرة ذاتية القيادة تقوم بعمليات بحث واستدلال متعددة الخطوات) تبرز كالمستهلك الأساسي لأنظمة الاسترجاع الحديثة. وخلافاً للمستخدمين البشريين الذين يطرحون استعلامات معزولة، يقوم هؤلاء الوكلاء بتوليد مسارات استدلال باللغة الطبيعية صريحة قبل كل عملية بحث لتخطيط خطواتهم التالية.

الفجوة: تعامل أنظمة الاسترجاع الحالية استعلامات الوكيل تماماً مثل استعلامات البشر، حيث تقوم بتمثيل (embedding) سلسلة النص النهائي للبحث ( $q_t$ ) فقط. وهي تتجاهل المعلومات السياقية الغنية، والنية، والفرضيات الوسيطة الموجودة في مسار الاستدلال السابق للوكيل ( $\tau_t$ ).
النتيجة: يؤدي هذا إلى الغموض. على سبيل المثال، استعلام مثل "backroom studio early 2010s euphoric" هو استعلام غامض بدون سياق. ومع ذلك، قد يوضح مسار الاستدلال الخاص بالوكيل أنه يبحث عن ملحن فاز بجائزة Grammy في نوع فرعي محدد، مما يضيق نطاق البحث بفعالية. تفشل أنظمة الاسترجاع الحالية في الاستفضاء من هذه الإشارة "المجانية"، مما يؤدي إلى دقة أقل وحلقات بحث غير فعالة.
ندرة البيانات: هناك نقص في بيانات التدريب المصممة خصيصاً للاستعلامات الفرعية متعددة الخطوات للوكلاء. توفر مجموعات بيانات الأسئلة والأجوبة (QA) القياسية ثلاثيات (سؤال، إجابة، وثائق)، لكنها لا تحتوي على أزواج (الاستعلام الفرعي، الاستدلال، الوثيقة ذات الصلة) اللازمة لتدريب نظام استرجاع لخطوات الوسيطة لوكيل البحث العميق.

2. المنهجية

يقترح المؤلفون نهجاً ذا شقين: نموذج استرجاع جديد وطريقة مبتكرة لتخليق البيانات.

أ. الاسترجاع المدرك للاستدلال (النموذج الجديد)

بدلاً من تمثيل الاستعلام $q_t$ فقط، يقوم نظام الاسترجاع بتمثيل دمج مسار الاستدلال والاستعلام معاً: $[ \tau_t, q_t ]$ .

الآلية: يتعلم النموذج الانتباه إلى مسار الاستدلال لإزالة الغموض عن الاستعلام، ودمج النتائج من الدورات السابقة، وتصفية الفرضيات التي عفا عليها الزمن.
الميزة مقارنة بـ HyDE: بخلاف تمثيلات المستندات الافتراضية (HyDE)، التي تستخدم نموذجاً لغوياً كبيراً لتوليد سياق افتراضي دون معرفة بحالة الوكيل، يستخدم "الاسترجاع المدرك للاستدلال" مسار الاستدلال الفعلي الذي ولده الوكيل، وهو مستند إلى تاريخ التفاعل الكامل ( $H_{t-1}$ ).

ب. DR-Synth (تخليق البيانات)

لتدريب نظام استرجاع على هذا النموذج الجديد، قدم المؤلفون DR-Synth، وهو مسار عمل يحول مجموعات بيانات الأسئلة والأجوبة القياسية (مثل WebShaper) إلى بيانات مخصصة للوكلاء.

توليد المسار (Rollout Generation): يتفاعل وكيل (مثل Tongyi-DeepResearch) مع نظام استرجاع قياسي يعتمد على الاستعلام فقط لحل سؤال عالمي $Q$ . هذا يولد مساراً من الدورات $(\tau_1, q_1, o_1, \dots)$ .
استخراج الاستعلامات الفرعية: من المسار، يستخرج النظام أزواجاً من (الاستدلال، الاستعلام الفرعي) لكل دورة.
إعادة التصنيف والوسم بواسطة "الأوراكل" (Oracle Reranking & Labeling): لتوليد تسميات الصلة ( $d^+$ $d^{+}$ و $d^-$ $d^{-}$ ) لهذه الاستعلامات الفرعية:
- يسترجع النظام أفضل 50 وثيقة باستخدام مسترجع قياسي.
- يتم إلحاق الوثائق الصحيحة (ground-truth) للسؤال العالمي بها.
- يقوم نموذج لغوي كبير (Oracle) بإجراء إعادة تصنيف قائمة (listwise reranking) بناءً على الاستعلام الفرعي الحالي $q_t$ ، والسؤال العالمي $Q$ ، والإجابة النهائية $A$ . يتم توجيه النموذج لإعادة ترتيب الوثائق بناءً على صلتها بالخطوة الحالية مع ضمان التوافق مع الهدف العالمي.
- تصبح الوثيقة الأعلى تصنيفاً هي العينة الإيجابية ( $d^+$ )، والوثيقة الأدنى تصنيفاً هي السالبة الصعبة ( $d^-$ ).
التدريب: يتم ضبط نموذج الاسترجاع باستخدام فقدان التعلم التبايني (contrastive learning loss) على هذه الثلاثيات المتخليقة $(\tau_t, q_t, d^+, d^-)$ .

3. المساهمات الرئيسية

الاسترجاع المدرك للاستدلال: نموذج جديد يدمج مسارات استدلال الوكيل واستعلاماته، مما يثبت أن مسارات الاستدلال تعمل كتعليمات ضمنية وفلاتر للسياق.
DR-Synth: طريقة لتخليق البيانات تسد الفجوة بين مجموعات بيانات الأسئلة والأجوبة القياسية والاحتياجات المحددة لاسترجاع الوكلاء متعدد الخطوات، مما يولد أزواج تدريب عالية الجودة دون الحاجة لتدوين يدوي.
AgentIR-4B: نموذج تمثيل (embedding model) مدرب (مبني على Qwen3-Embedding-4B) يحقق أداءً متفوقاً (SOTA) على معايير البحث العميق.
التعميم: يعمم النموذج قدراته في وضع "الصفر تدريب" (zero-shot) على بنيات وكلاء مختلفة (مثل gpt-oss-120B، GLM-4.7) دون الحاجة لضبط إضافي.

4. النتائج التجريبية

تم تقييم النظام على BrowseComp-Plus، وهو معيار تحدٍ يتطلب أكثر من 20 دورة بحث للأسئلة المعقدة متعددة الخطوات.

الأداء:
- حقق AgentIR-4B دقة بنسبة 68% (تحديداً 66.27% مع Tongyi-DR) على BrowseComp-Plus.
- هذا يتفوق بشكل كبير على:
  - BM25: دقة 37%.
  - Qwen3-Embedding-8B (نموذج ضعف حجم AgentIR-4B): دقة تقارب 50%.
  - ReasonIR-8B (مسترجع مكثف الاستدلال): دقة تقارب 51%.
  - توسيع الاستعلام (أسلوب HyDE): دقة تقارب 31% (غالباً ما يهذي بالسياق).
الكفاءة:
- قلل AgentIR-4B عدد استدعاءات البحث المطلوبة لحل المهام (من 32.92 مع BM25 إلى 25.91 مع AgentIR-4B).
- تفوق على طرق إعادة التصنيف المكلفة حاسوبياً القائمة على النماذج اللغوية الكبيرة بنسبة 10% في الدقة المطلقة دون عبء الاستدلال الخاص بإعادة التصنيف.
دراسات الاستئصال (Ablation Studies):
- كلا المكونين (التمثيل المدرك للاستدلال وتدريب DR-Synth) فعالان بشكل مستقل.
- استخدام استدلال الدور الحالية فقط يتفوق على استخدام التاريخ الكامل للاستدلالات السابقة. وجد المؤلفون أن التاريخ الكامل يُدخل ضجيجاً (فرضيات خاطئة من أدوار سابقة) وتكراراً، بينما يعمل مسار الاستدلال الحالي كملخص مثالي يفلتر التاريخ عبر تلخيص الحقائق المؤكدة واستبعاد التخمينات الفاشلة.

5. الأهمية والآثار المستقبلية

تحول في نموذج البحث: تجادل الورقة بأنه مع تحول الوكلاء ذاتية القيادة لتصبح المستهلك الرئيسي للبحث، يجب أن تتطور أنظمة الاسترجاع من كونها "مركزة على الاستعلام" إلى "مركزة على الاستدلال".
هندسة السياق: تشير النتائج إلى أن "هندسة السياق" لأنظمة الاسترجاع يجب أن تركز على التنقية (curation) بدلاً من التراكم. إن دمج التاريخ الكامل يكون ضاراً؛ وبدلاً من ذلك، يعمل مسار الاستدلال الأخير كملخص مثالي ومنقى من الضجيج لحالة المشكلة.
كفاءة التكلفة: من خلال الاستفادة من مسارات الاستدلال التي يتم توليدها "مجاناً" عبر حلقة الوكيل القياسية، يحقق AgentIR-4B مكاسب هائلة دون التكلفة الحسابية لإعادة كتابة الاستعلام أو إعادة التصنيف.
الأثر على المجتمع: يشجع إصدار AgentIR-4B ومنهجية DR-Synth مجتمع استرجاع المعلومات (IR) على تطوير أنظمة استرجاع محسنة خصيصاً لفئة "مستخدمي الوكلاء" الناشئة.