SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration
Dieses Paper stellt SearchOS vor, ein robustes Multi-Agenten-Framework, das die informationssuchende Suche in offenen Domänen verbessert, indem es den Aufgabenfortschritt über ein suchorientiertes Kontextmanagement in einen gemeinsamen Zustand externalisiert, Pipeline-parallele Zeitplanung zur Maximierung der Effizienz einsetzt und ein Middleware-Harness mit hierarchischen Fähigkeiten nutzt, um repetitive Suchschleifen zu verhindern und die Evidenzabdeckung zu verbessern.
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 vor, Sie sind ein Detektiv, der versucht, ein riesiges Rätsel zu lösen, aber anstatt eines einzelnen Notizbuches haben Sie ein Team von Junior-Detektiven. In der Welt der künstlichen Intelligenz werden diese „Detektive“ als Agenten bezeichnet. Es sind intelligente Computerprogramme, die mit dem Internet kommunizieren können, Websites lesen und Informationen sammeln können, um Ihre Fragen zu beantworten. Lange Zeit waren diese Agenten wie Detektive, die ständig vergaßen, was sie bereits herausgefunden hatten. Je größer das Rätsel wurde, desto eher gerieten sie in Verwirrung, wiederholten dieselben Fragen immer und immer wieder oder steckten in einer Endlosschleife fest, was Zeit und Energie verschwendete. Sie hatten keinen Weg, um ein gemeinsames, organisiertes Protokoll über ihre Fortschritte zu führen.
Um dies zu beheben, entwickeln Forscher bessere Wege, wie diese Agenten zusammenarbeiten können. Sie nutzen das Konzept der Large Language Models (denken Sie an sie als superintelligente Gehirne, die lesen und schreiben können) und geben ihnen Werkzeuge, um im Web zu suchen. Die große Herausforderung sind Long-Horizon-Tasks: dies sind komplexe Aufgaben, die erfordern, dass hunderte von Fakten gesammelt, auf Übereinstimmung geprüft und perfekt organisiert werden. Wenn die Agenten den „Überblick“ verlieren, wird die endgültige Antwort unordentlich oder unvollständig. Dieses Paper befasst sich genau mit diesem Problem: Wie verhindern wir, dass sich diese digitalen Detektive in ihrer eigenen Arbeit verlieren, und wie helfen wir ihnen, wie eine gut geölte Maschine zusammenzuarbeiten?
Das Problem: Der „vergessliche Detektiv“-Loop
Stellen Sie sich vor, Sie und Ihre Freunde versuchen, eine riesige Lego-Burg nach einer vagen Bauanleitung zu bauen. Ihr alle beginnt, Steine zu sammeln, aber niemand führt eine Liste darüber, was ihr bereits gefunden habt. Ein Freund sucht ständig nach einem roten 2x4-Stein, obwohl ein anderer Freund ihn schon vor zehn Minuten gefunden hat. Ein anderer Freund steckt fest, weil er versucht, eine Tür zu öffnen, die verschlossen ist, und hämmert immer wieder dagegen, anstatt eine andere Tür auszuprobieren.
Genau das passiert aktuellen KI-Suchagenten. Während sie versuchen, komplexe Fragen zu beantworten, verlieren sie den Überblick über ihre Fortschritte. Sie geraten in repetitive Schleifen und verschwenden ihr „Suchbudget“ (ihre Zeit und Rechenleistung) an Sackgassen. Sie übersehen möglicherweise wichtige Fakten, weil die Beweise in einem langen Chatverlauf untergegangen sind, oder sie streiten untereinander, weil sie keine gemeinsame Karte darüber haben, was bekannt ist und was noch fehlt. Das bloße Hinzufügen von mehr Agenten löst das Problem nicht; es schafft nur mehr Chaos, wobei jeder dem anderen in die Quere kommt.
Die Lösung: SearchOS, das „Betriebssystem“ für die Suche
Die Autoren stellen SearchOS vor, ein neues Framework, das wie ein zentrales Kommandozentrum oder ein „Betriebssystem“ für diese Suchagenten fungiert. Anstatt die Agenten darauf vertrauen zu lassen, dass ihr Gedächtnis nicht verblasst, zwingt SearchOS sie dazu, alles in ein gemeinsames, organisiertes Notizbuch zu schreiben, das niemals verloren geht.
So funktioniert es, unter Verwendung einiger unterhaltsamer Analogien:
1. Der Master-Bauplan (Relational Schema)
Anstatt nur eine vage Frage wie „Erzähl mir etwas über Unternehmen“ zu stellen, verwandelt SearchOS die Aufgabe in das Ausfüllen einer riesigen, strukturierten Tabelle. Stellen Sie sich eine Detektivwand vor, an der Sie spezifische Spalten für „Unternehmensname“, „CEO“, „Umsatz“ und „Gründungsjahr“ haben. Die Aufgabe der Agenten ist nicht nur „Informationen finden“; es ist das Ausfüllen jeder einzelnen leeren Zelle in dieser Tabelle. Wenn eine Zelle leer ist, weiß das System genau, was fehlt. Dies verwandelt eine chaotische, offene Suche in ein klares, messbares Spiel des „Lückenausfüllens“.
2. Das Gemeinsame Kommandozentrum (SOCM)
Dies ist das Herzstück von SearchOS. Es ist ein Search-Oriented Context Management-System, das als gemeinsames Gehirn für das gesamte Team fungiert. Es hält vier kritische Dinge in Echtzeit aktuell:
- Die Frontier Task List: Eine To-Do-Liste, die genau angibt, welche Tabellenzellen noch leer sind.
- Der Evidence Graph: Eine Karte jedes gefundenen Faktums, die direkt mit der Website verknüpft ist, von der es stammt (damit man die Quelle überprüfen kann).
- Die Coverage Map: Ein visuelles Dashboard, das zeigt, welche Teile der Tabelle ausgefüllt, unsicher oder fehlen.
- Das Failure Memory: Eine „Versuche das nicht noch einmal“-Liste. Wenn ein Agent eine Suche durchführt und diese fehlschlägt (wie etwa eine defekte Website), sagt dieses Gedächtnis den anderen Agenten: „Verschwende keine Zeit damit, das noch einmal zu versuchen; das ist eine Sackgasse.“
3. Die Fließbandarbeit (Pipeline-Parallel Scheduling)
Alte Systeme ließen Agenten oft aufeinander warten, wie eine Schlange von Menschen vor einer einzigen Kasse. SearchOS nutzt Pipeline-Parallel Scheduling. Stellen Sie sich eine Fabrik-Fließband vor: Sobald ein Agent eine Aufgabe abgeschlossen hat und einen Platz freigibt, übergibt das System sofort die nächste Aufgabe an den nächsten verfügbaren Agenten. Niemand sitzt untätig herum. Wenn ein Agent langsam ist, arbeiten die anderen an anderen Teilen der Tabelle weiter. Dies macht das gesamte Team viel schneller und effizienter.
4. Der Schiedsrichter (Middleware Harness)
Manchmal bleiben Agenten in einer Schleife hängen oder laufen ihnen die Zeit ab. SearchOS verfügt über einen Search Tool Middleware Harness, der wie ein strenger Schiedsrichter fungiert. Er beobachtet jeden Schritt der Agenten. Wenn er sieht, dass ein Agent gegen eine verschlossene Tür hämmert (eine fehlgeschlagene Suche) oder dieselbe Frage wiederholt, greift der Schiedsrichter ein, stoppt den Agenten und gibt ihm eine neue Strategie. Er stellt außerdem sicher, dass jeder vom Agenten gefundene Fakt „geerdet“ ist (also mit einer echten Quelle verknüpft ist), bevor er in den endgültigen Bericht geschrieben wird.
5. Der Werkzeugkasten (Hierarchical Skills)
SearchOS kommt mit einer Bibliothek vorgefertigter Skills (Fähigkeiten). Denken Sie an diese als spezialisierte Werkzeuge in einem Detektiv-Set. Einige Werkzeuge sind für die allgemeine Suche gedacht (wie „wie man eine gute Frage stellt“), während andere spezifisch für bestimmte Websites sind (wie „wie man eine Regierungsdatenbank navigiert“). Das System lehrt die Agenten, wie sie diese Werkzeuge benutzen, damit sie das Rad nicht jedes Mal neu erfinden müssen, wenn sie eine neue Seite besuchen.
Was sie herausgefunden haben: Die Ergebnisse
Die Forscher haben SearchOS in zwei schwierigen Benchmarks getestet, genannt WideSearch und GISA. Diese Tests beinhalten komplexe Fragen, die das Sammeln vieler Fakten aus verschiedenen Quellen erfordern.
Die Ergebnisse waren beeindruckend. SearchOS schlug alle anderen getesteten Methoden, einschließlich Single-Agent-Systemen und anderen Multi-Agent-Teams.
- Beim WideSearch-Test erreichte es einen Item-level F1-Score von 80,3, was der höchste Wert aller Methoden war.
- Beim GISA-Test erzielte es 76,5 auf der Set F1-Metrik und übertraf das nächstbeste System um gewaltige 13,4 Punkte.
Das Paper legt nahe, dass, indem man die Agenten dazu zwingt, von einem gemeinsamen, expliziten Zustand (der Tabelle und den Karten) aus zu arbeiten, anstatt sich auf ihr internes Gedächtnis zu verlassen, das System wesentlich zuverlässiger wird. Es findet mehr Fakten (bessere Recall/Trefferquote), ohne mehr Fehler zu machen (Aufrechterhaltung hoher Precision/Genauigkeit).
Warum das wichtig ist
Hier geht es nicht nur darum, KI schneller zu machen; es geht darum, KI vertrauenswürdig zu machen. Wenn eine KI tiefgreifende Recherchen durchführt, müssen Sie wissen, dass sie keinen entscheidenden Fakt übersehen oder eine Zahl erfunden hat. SearchOS bietet eine Möglichkeit zu sehen, was die KI genau weiß, was sie nicht weiß und wo sie feststecken könnte. Es verwandelt den chaotischen Prozess der Internetsuche in einen strukturierten, beobachtbaren und kollaborativen Prozess.
Die Autoren legen nahe, dass dieser Ansatz – die Suche als einen zustandsorientierten, kollaborativen Prozess mit einem gemeinsamen „Betriebssystem“ zu behandeln – ein wichtiger Schritt nach vorn ist, um Agenten zu bauen, die komplexe, reale Forschungsaufgaben bewältigen können, ohne im Rauschen verloren zu gehen. Sie haben nicht nur eine bessere Suchmaschine gebaut; sie haben einen besseren Weg geschaffen, wie KI-Agenten als Team zusammenarbeiten können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.