Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests
Dieser Beitrag analysiert 14,44 Millionen reale agente Suchanfragen aus DeepResearchGym, um wesentliche Verhaltensmuster aufzudecken, wie etwa Verteilungen der Sitzungslängen, intentabhängige Explorationsstrategien und die starke lexikalische Rückverfolgbarkeit von Query-Reformulierungen zu den abgerufenen Beweisen, und bietet damit handlungsrelevante Signale zur Optimierung des Designs von Suchagenten.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine riesige, geschäftige Bibliothek vor, in der statt menschlicher Leser Tausende von Roboter-Bibliothekaren arbeiten. Diese Roboter werden von fortschrittlicher KI angetrieben. Ihre Aufgabe besteht nicht nur darin, ein einziges Buch zu finden; sie sind damit betraut, komplexe Rätsel zu lösen. Um dies zu tun, fragen sie nicht nur einmal nach einem Buch. Sie fragen, lesen die Antwort, stellen eine Folgefrage basierend auf dem, was sie gerade gelesen haben, lesen erneut und fahren so fort, bis sie glauben, das vollständige Bild zu haben.
Dieser Artikel ist eine massive Beobachtungsstudie dieser Roboter-Bibliothekare. Die Forscher untersuchten über 14 Millionen Suchanfragen (etwa 4 Millionen „Gespräche" oder Sitzungen) aus einem öffentlichen System namens DeepResearchGym. Sie wollten verstehen: Was versuchen diese Roboter zu tun, und wie ändern sie ihre Fragen im Verlauf?
Hier ist eine Aufschlüsselung ihrer Erkenntnisse mit einfachen Analogien:
1. Die „Einkaufsliste" versus der „Detektiv" (Absicht)
Die Forscher stellten fest, dass die Roboter in drei Hauptpersönlichkeitstypen oder „Absichten" fallen, die beeinflussen, wie sie suchen:
- Der Fakten-Sucher (Deklarativ): Dieser Roboter möchte nur eine spezifische Tatsache wissen, wie etwa „Wem gehört dieses Snack-Unternehmen?".
- Verhalten: Er neigt dazu, in einer Schleife stecken zu bleiben. Wenn er die Antwort nicht sofort findet, stellt er immer wieder dieselbe Frage oder leicht abgewandelte Versionen davon (wie eine Person, die an eine Tür klopft und immer wieder dieselbe Frage ruft).
- Der Anleitungsguide (Prozedural): Dieser Roboter möchte wissen, wie man etwas tut, wie etwa „Wie repariere ich einen undichten Wasserhahn?".
- Verhalten: Er stellt längere, detailliertere Fragen und gräbt tiefer in die „Bibliothekregale" (ruft mehr Dokumente ab), um einen vollständigen Satz von Anweisungen zu erhalten.
- Der Detektiv (Schlussfolgernd): Dieser Roboter hat ein komplexes Rätsel, wie etwa „Warum ist Gas teuer?".
- Verhalten: Er ist der abenteuerlustigste. Er bleibt nicht bei einem einzigen Aspekt; er springt zwischen verschiedenen Themen (Facetten), um die Punkte zu verbinden. Er erkundet breit gefächert, statt nur an einer Stelle tiefer zu graben.
2. Die Gewohnheit des „Tiefbohrens"
Eine der größten Entdeckungen ist, dass diese Roboter eine starke Gewohnheit haben, heranzuzoomen statt herauszuzoomen.
Stellen Sie sich vor, Sie schauen auf eine Landkarte. Meistens nehmen diese Roboter einen breiten Überblick und zoomen sofort auf eine winzige Straße hinein, um nach Details zu suchen. Sie treten selten einen Schritt zurück, um zu sagen: „Warte, vielleicht schaue ich überhaupt auf die falsche Stadt."
- Die „Tiefbohr"-Verzerrung: Etwa 36 % bis 48 % der Zeit drehen sie sich nur um einen leicht anderen Winkel desselben Themas.
- Die Seltenheit des „Herauszoomens": Nur etwa 9 % der Zeit erweitern sie ihre Suche tatsächlich, um das große Ganze zu betrachten. Wenn sie herauszoomen, zoomen sie fast sofort wieder hinein. Es ist, als würde man einen schnellen Blick auf die gesamte Landkarte werfen, bevor man sich sofort wieder auf eine einzelne Straße konzentriert.
3. Der „Echokammer"-Effekt (Wiederholung)
Die Studie ergab, dass 90 % dieser Roboter-Gespräche kurz sind (10 Schritte oder weniger) und sehr schnell stattfinden (oft unter einer Minute zwischen den Fragen).
Für die Fakten-Sucher gibt es jedoch ein Problem. Im Verlauf des Gesprächs beginnen sie, sich immer mehr zu wiederholen. Bis zum 9. Schritt sind fast die Hälfte ihrer Fragen fast identisch mit früheren. Es ist wie bei einer Person, die vergessen hat, dass sie bereits eine Frage gestellt hat, oder die in einer Schleife feststeckt und versucht, dieselbe Antwort aus einem anderen Winkel zu erhalten, ohne Erfolg.
4. Der „Termaufnahme"-Test (Haben sie wirklich gelesen?)
Die Forscher wollten wissen: Wenn der Roboter eine neue Frage stellt, verwendet er dann tatsächlich die Informationen, die er gerade gefunden hat?
Da sie das innere „Gehirn" (Speicher) des Roboters nicht sehen konnten, erfanden sie einen cleveren Test namens CTAR (Context-driven Term Adoption Rate).
- Die Analogie: Stellen Sie sich einen Detektiv vor, der einen Hinweis liest, der besagt: „Der Verdächtige trug einen roten Hut." Wenn die nächste Frage des Detektivs lautet: „Wer trug einen roten Hut?", dann „adoptieren" sie den Begriff.
- Das Ergebnis: Die Forscher stellten fest, dass 54 % der neuen Wörter, die die Roboter in ihren nächsten Fragen verwendeten, direkt aus dem Text stammten, den sie gerade gelesen hatten.
- Der Haken: Dies bedeutet nicht, dass der Roboter den Text perfekt verstanden hat, sondern nur, dass die Wörter dort waren. Es ist wie ein Papagei, der Wörter wiederholt, die er gehört hat, anstatt wie ein Mensch, der tiefgründig darüber nachdenkt. Aber es beweist, dass die Roboter zumindest die Beweise, die sie abgerufen haben, betrachten.
5. Das Problem des „festen Budgets"
Den Robotern wurde ein „Budget" dafür gegeben, wie viele Dokumente sie pro Frage lesen sollen (z. B. 5 Seiten oder 10 Seiten lesen).
- Die Erkenntnis: Die meisten Roboter behandelten dieses Budget wie eine fest codierte Einstellung. Sie änderten es nicht basierend auf der Aufgabe. Ob sie nun nach einer einfachen Tatsache suchten oder ein komplexes Rätsel lösten, sie hielten meist an derselben Anzahl von Seiten fest. Sie schienen nicht zu begreifen, dass ein komplexes Rätsel sie möglicherweise dazu veranlassen könnte, mehr Seiten zu lesen als eine einfache Tatsache.
Zusammenfassung
Dieser Artikel ist wie ein Verkehrsbericht für KI-Suchagenten. Er sagt uns Folgendes:
- Die meisten Suchen sind kurz und schnell.
- Roboter geraten in Schleifen, wenn sie nach einfachen Fakten suchen.
- Sie bevorzugen es, auf Details heranzuzoomen, statt einen Schritt zurückzutreten und das große Ganze zu betrachten.
- Sie nehmen zwar Wörter aus dem, was sie lesen, auf, halten sich aber oft an ein starres „Lesebudget", unabhängig davon, wie schwierig die Aufgabe ist.
Die Autoren veröffentlichten diese Daten, damit andere Forscher bessere „Verkehrsleiter" entwickeln können, um diesen Robotern zu helfen, aus Schleifen auszubrechen, mehr zu erkunden und ihr Lesebudget weiser zu nutzen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.