SearchSwarm: Towards Delegation Intelligence in Agentic LLMs for Long-Horizon Deep Research
Das Paper stellt SearchSwarm vor, ein Framework, das mittels eines Harness-gesteuerten Prozesses Daten für das Supervised Fine-Tuning synthetisiert, um Modelle mit „Delegationsintelligenz“ zu trainieren, was es ihnen ermöglicht, langfristige Deep-Research-Aufgaben durch Agenten-Subaufgaben-Delegation effektiv zu zerlegen und zu verwalten, was zu einer State-of-the-Art-Performance bei BrowseComp-Benchmarks führt.
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
Das große Problem: Der „Kurzzeitgedächtnis“-Engpass
Stellen Sie sich vor, Sie sind ein brillanter Detektiv (die KI), der versucht, einen riesigen, komplexen Kriminalfall zu lösen, der das Lesen von tausenden Dokumenten, den Besuch von hunderten Websites und das Verknüpfen von Details über Jahre hinweg umfasst.
Das Problem? Sie haben eine sehr strenge Regel: Sie können immer nur ein paar Seiten Notizen gleichzeitig in der Hand halten.
In der Welt der KI ist dies das „Kontextfenster“. Selbst die klügsten KI-Modelle haben ein Limit dafür, wie viel Information sie in einem einzigen Gespräch behalten können. Wenn eine Forschungsaufgabe zu lang wird, vergisst die KI den Anfang der Untersuchung, sobald sie am Ende angelangt ist.
Traditionell versucht eine KI, wenn sie an dieses Limit stößt, ihre Notizen zu „zusammenfassen“. Aber das ist so, als würde man versuchen, sich einen 10-stündigen Film zu merken, indem man nur die Inhaltsangabe merkt, die auf einer Serviette steht. Man verliert die Details, die Beweise und die Nuancen.
Die Lösung: Die „SearchSwarm“-Strategie
Die Autoren dieses Papers erkannten, dass man, anstatt zu versuchen, alles selbst zu behalten, stattdessen ein Team von Assistenten einstellen sollte, um die schwere Arbeit zu erledigen.
Sie nennen das „Delegationsintelligenz“ (Delegation Intelligence).
Betrachten Sie die Haupt-KI als einen Projektmanager und die Sub-KIs als spezialisierte Forscher.
- Der Projektmanager (Haupt-Agent): Dies ist das intelligente Gehirn. Er erledigt nicht die mühsame Kleinarbeit, 500 Websites zu lesen. Stattdessen betrachtet er die große Frage, zerlegt sie in kleinere Teile und sagt: „Du, geh nach X suchen. Du, geh nach Y suchen.“
- Die Forscher (Sub-Agenten): Dies sind Kopien derselben KI, aber sie arbeiten in ihren eigenen separaten „Räumen“ (unabhängige Kontexte). Sie können so viele Seiten lesen, wie sie brauchen, ohne sich um das Gedächtnislimit des Projektmanagers sorgen zu müssen.
- Die Übergabe: Wenn ein Forscher fertig ist, wirft er dem Manager keinen 50-seitigen Bericht hin. Er schreibt eine einseitige Zusammenfassung mit spezifischen Zitaten (Beweisen, woher er die Information hat). Der Manager liest die Zusammenfassung, überprüft den Beweis und macht weiter.
Das Geheimrezept: Wie sie der KI das Delegieren beibrachten
Man könnte fragen: „Kann die KI das nicht einfach selbst herausfinden?“
Das Paper sagt: Nein. Die meisten KI-Modelle wurden mit Büchern und Artikeln trainiert, nicht mit Skripten, die zeigen, wie man ein Team leitet. Sie wissen nicht von Natur aus, wie man um Hilfe bittet, wonach man fragt oder wie man die Arbeit überprüft.
Um dies zu beheben, entwickelten die Forscher ein „Training Harness“ (ein strenges Set aus Regeln und Anweisungen), um der KI beizubringen, ein guter Manager zu sein.
Hier sind die vier goldenen Regeln, die sie der KI beigebracht haben:
- Regel 1: Erledige nicht die Kleinarbeit selbst. Wenn eine Aufgabe das Lesen vieler Texte erfordert, schicke sie an einen Sub-Agenten. Spare deine eigene Gehirnkapazität für das Verknüpfen der Details auf.
- Regel 2: Gib ein großartiges Briefing. Du kannst einem Sub-Agenten nicht einfach sagen: „Geh nach Infos suchen.“ Du musst sagen: „Wir wissen bereits X und Y, aber wir stecken bei Z fest. Finde Z heraus, und das ist der Grund, warum es wichtig ist.“ Dies verhindert, dass der Sub-Agent Zeit damit verschwendet, Dinge neu zu entdecken, die der Manager bereits weiß.
- Regel 3: Behalte das letzte Urteil. Der Manager darf dem Sub-Agenten niemals blind vertrauen. Der Manager muss die Beweise verifizieren. Wenn ein Sub-Agent sagt: „Die Antwort ist 42“, muss der Manager das Zitat prüfen, um sicherzustellen, dass es keine Halluzination (eine Lüge) ist.
- Regel 4: Zitiere immer deine Quellen. Jede Schlussfolgerung muss mit einem „Beleg“ (einem Link zur Quelle) versehen sein. Dies stellt sicher, dass die endgültige Antwort vertrauenswürdig ist.
Das Ergebnis: Ein kleines Team besiegt die Giganten
Die Forscher trainierten ein Modell namens SearchSwarm-30B (ein Modell mit 30 Milliarden Parametern, was in der KI-Welt als „mittelgroß“ gilt).
Sie testeten es auf schwierigen Forschungs-Benchmarks (wie BrowseComp und GAIA), die im Grusten „schwierige Trivia-Tests“ sind, die tiefes Graben erfordern.
Das schockierende Ergebnis:
SearchSwarm, ein mittelgroßes Modell, schlug fast alle anderen Modelle seiner Größe. Noch beeindruckender war, dass es so gut oder sogar besser abschnitt als einige der riesigen, geschlossenen Modelle, die zehnmal größer sind und Millionen kosten, um sie zu betreiben.
- Analogie: Es ist, als würde eine kleine, gut organisierte lokale Bibliothek (SearchSwarm) ein riesiges, chaotisches nationales Archiv (die Giganten-Modelle) beim Finden spezifischer, obskurer Fakten besiegen, einfach weil der lokale Bibliothekar genau weiß, wie er die Aufgaben an seine Assistenten delegieren muss.
Was das für die Zukunft bedeutet
Das Paper zeigt nicht nur einen coolen Trick; es liefert ein Rezept. Sie haben den Code, die Trainingsdaten und die Modellgewichte für alle zur Verfügung gestellt.
Sie haben bewiesen, dass Intelligenz nicht nur daraus besteht, ein größeres Gehirn zu haben, sondern darin, bessere Managementfähigkeiten zu besitzen. Indem sie einer KI beibrachten, wie man delegiert, Aufgaben aufteilt und Beweise überprüft, kann ein kleineres, günstigeres Modell komplexe, langfristige Probleme lösen, für die früher massive, teure Supercomputer nötig waren.
Kurz gesagt: SearchSwarm lehrt die KI, aufzuhören, zu versuchen, sich alles zu merken, und stattden lernen, wie man ein Team führt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.