🤖 AI

SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration

Este artículo presenta SearchOS, un marco de trabajo multiagente robusto que mejora la búsqueda de información de dominio abierto al externalizar el progreso de las tareas en un estado compartido mediante la Gestión de Contexto Orientada a la Búsqueda, empleando una programación paralela de canalización para maximizar la eficiencia y utilizando un arnés de middleware con habilidades jerárquicas para prevenir bucles de búsqueda repetitivos y mejorar la cobertura de evidencia.

Autores originales: Yuyao Zhang, Junjie Gao, Zhengxian Wu, Jiaming Fan, Jin Zhang, Shihan Ma, Yao Yao, Weiran Qi, Chuyan Jin, Guiyu Ma, Xingzhong Xu, Kai Yang, Ji-Rong Wen, Zhicheng Dou

Publicado 2026-07-17

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yuyao Zhang, Junjie Gao, Zhengxian Wu, Jiaming Fan, Jin Zhang, Shihan Ma, Yao Yao, Weiran Qi, Chuyan Jin, Guiyu Ma, Xingzhong Xu, Kai Yang, Ji-Rong Wen, Zhicheng Dou

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio masivo, pero en lugar de tener un solo cuaderno, tienes un equipo de detectives novatos. En el mundo de la inteligencia artificial, estos "detectives" se llaman agentes. Son programas informáticos inteligentes que pueden hablar con internet, leer sitios web y recopilar información para responder a tus preguntas. Durante mucho tiempo, estos agentes fueron como detectives que olvidaban lo que ya habían encontrado. A medida que el misterio se hacía más grande, se confundían, repetían las mismas preguntas una y otra vez o se quedaban atrapados en un bucle, desperdiciando tiempo y energía. No tenían una forma de mantener un registro compartido y organizado de su progreso.

Para solucionar esto, los investigadores están construyendo mejores formas para que estos agentes trabajen juntos. Utilizan el concepto de Modelos de Lenguaje Extensos (piensa en ellos como cerebros superinteligentes que pueden leer y escribir) y les dan herramientas para buscar en la web. El gran desafío son las tareas de largo horizonte: estos son trabajos complejos que requieren recopilar cientos de hechos, verificar si coinciden y organizarlos perfectamente. Si los agentes pierden de vista el "panorama general", la respuesta final resulta desordenada o incompleta. Este artículo aborda exactamente ese problema: ¿cómo evitamos que estos detectives digitales se pierdan en su propio trabajo y los ayudamos a colaborar como una máquina bien aceitada?

El Problema: El Bucle del "Detective Olvidadizo"

Imagina que tú y tus amigos están intentando construir un gigantesco castillo de Lego basado en un manual de instrucciones vago. Todos empiezan a agarrar piezas, pero nadie lleva una lista de lo que ya ha encontrado. Un amigo sigue buscando un ladrillo rojo de 2x4 aunque otro amigo encontró uno hace diez minutos. Otro amigo se queda atrapado intentando abrir una puerta que está cerrada, golpeándola repetidamente en lugar de intentar otra puerta.

Esto es lo que les sucede a los agentes de búsqueda de IA actuales. Mientras intentan responder preguntas complejas, pierden el rastro de su progreso. Se quedan atrapados en bucles repetitivos, desperdiciando su "presupuesto de búsqueda" (su tiempo y su potencia de cálculo) en callejones sin salida. Podrían perderse hechos importantes porque la evidencia quedó enterrada en un largo historial de chat, o podrían discutir entre ellos porque no tienen un mapa compartido de lo que se sabe y lo que falta. Simplemente añadir más agentes no soluciona esto; solo crea más caos, con todos pisándose los talones unos a otros.

La Solución: SearchOS, el "Sistema Operativo" para la Búsqueda

Los autores presentan SearchOS, un nuevo marco de trabajo que actúa como un centro de mando central o un "sistema operativo" para estos agentes de búsqueda. En lugar de dejar que los agentes dependan de sus memorias evanescentes, SearchOS los obliga a escribirlo todo en un cuaderno compartido y organizado que nunca se pierde.

Así es como funciona, usando algunas analogías divertidas:

1. El Plano Maestro (Esquema Relacional)
En lugar de solo hacer una pregunta vaga como "Háblame de empresas", SearchOS convierte la tarea en completar una hoja de cálculo gigante y estructurada. Imagina un tablero de detective donde tienes columnas específicas para "Nombre de la Empresa", "CEO", "Ingresos" y "Año de Fundación". El trabajo de los agentes no es solo "buscar información"; es completar cada una de las celdas vacías de esta hoja de cálculo. Si una celda está vacía, el sistema sabe exactamente qué es lo que falta. Esto convierte una búsqueda desordenada y abierta en un juego claro y medible de "completar los espacios en blanco".

2. El Centro de Mando Compartido (SOCM)
Este es el corazón de SearchOS. Es un sistema de Gestión de Contexto Orientado a la Búsqueda que actúa como un cerebro compartido para todo el equipo. Mantiene cuatro cosas críticas actualizadas en tiempo real:

La Lista de Tareas de la Frontera: Una lista de tareas pendientes de exactamente qué celdas de la hoja de cálculo siguen vacías.
El Grafo de Evidencia: Un mapa de cada hecho encontrado, vinculado directamente al sitio web de donde proviene (para que puedas verificar la fuente).
El Mapa de Cobertura: Un panel visual que muestra qué partes de la hoja de cálculo están completadas, cuáles son inciertas y cuáles faltan.
Memoria de Fallos: Una lista de "no intentes esto de nuevo". Si un agente intenta una búsqueda y falla (como un sitio web roto), esta memoria le dice a los otros agentes: "No te molestes en intentar eso de nuevo; es un callejón sin salida".

3. La Línea de Ensamblaje (Programación de Paralelismo de Tubería)
Los sistemas antiguos a menudo hacían esperar a los agentes, como una fila de personas esperando a un único cajero. SearchOS utiliza programación de paralelismo de tubería (pipeline-parallel scheduling). Imagina una línea de ensamblaje de una fábrica: tan pronto como un agente termina una tarea y libera un espacio, el sistema le entrega inmediatamente una nueva tarea al siguiente agente disponible. Nadie se queda ocioso. Si un agente es lento, los demás siguen trabajando en diferentes partes de la hoja de cálculo. Esto hace que todo el equipo sea mucho más rápido y eficiente.

4. El Árbitro (Middleware Harness)
A veces los agentes se quedan atrapados en un bucle o se quedan sin tiempo. SearchOS tiene un Middleware Harness de Herramientas de Búsqueda que actúa como un árbitro estricto. Observa cada movimiento de los agentes. Si ve a un agente golpeando una puerta cerrada (una búsqueda fallida) o repitiendo la misma pregunta, el árbitro interviene, detiene al agente y le da una nueva estrategia. También asegura que cada hecho que encuentra el agente esté "fundamentado" (vinculado a una fuente real) antes de que se escriba en el informe final.

5. La Caja de Herramientas (Habilidades Jerárquicas)
SearchOS viene con una biblioteca de habilidades prefabricadas. Piensa en estas como herramientas especializadas en el kit de un detective. Algunas herramientas son para la búsqueda general (como "cómo hacer una buena pregunta"), mientras que otras son específicas para ciertos sitios web (como "cómo navegar por una base de datos gubernamental"). El sistema enseña a los agentes cómo usar estas herramientas para que no tengan que reinventar la rueda cada vez que visitan un nuevo sitio.

Lo que Encontraron: Los Resultados

Los investigadores probaron SearchOS en dos bancos de pruebas difíciles llamados WideSearch y GISA. Estas pruebas implican preguntas complejas que requieren la recopilación de muchos hechos de diversas fuentes.

Los resultados fueron impresionantes. SearchOS superó a todos los demás métodos que probaron, incluyendo sistemas de un solo agente y otros equipos de múltiples agentes.

En la prueba WideSearch, alcanzó una puntuación F1 a nivel de ítem de 80.3, la más alta entre todos los métodos.
En la prueba GISA, obtuvo una puntuación de 76.5 en la métrica Set F1, superando al siguiente mejor sistema por un enorme margen de 13.4 puntos.

El artículo sugiere que, al obligar a los agentes a trabajar a partir de un estado compartido y explícito (la hoja de cálculo y los mapas) en lugar de depender de sus memorias internas, el sistema se vuelve mucho más fiable. Encuentra más hechos (mejor recuperación) sin cometer más errores (manteniendo una alta precisión).

Por qué es Importante

Esto no se trata solo de hacer la IA más rápida; se trata de hacer la IA confiable. Cuando una IA está realizando una investigación profunda, necesitas saber que no ha pasado por alto un dato crucial o que no se ha inventado un número. SearchOS proporciona una forma de ver exactamente qué sabe la IA, qué es lo que no sabe y dónde podría estar estancada. Convierte el proceso caótico de buscar en internet en un esfuerzo estructurado, observable y colaborativo.

Los autores sugieren que este enfoque —tratar la búsqueda como un proceso colaborativo y con estado, con un "sistema operativo" compartido— es un gran paso adelante para construir agentes que puedan manejar tareas de investigación complejas del mundo real sin perderse en el ruido. No solo construyeron un mejor motor de búsqueda; construyeron una mejor forma para que los agentes de IA trabajen juntos como un equipo.

Resumen Técnico: SearchOS-V1

Declaración del Problema

Los avances recientes en los Modelos de Lenguaje de Gran Escala (LLMs) integrados con herramientas han permitido que los agentes de búsqueda de información realicen procesos de razonamiento y búsqueda web iterativos. Sin embargo, a medida que los historiales de interacción se expanden durante tareas de largo alcance, los agentes tienen dificultades para rastrear el progreso, lo que conduce a varios modos críticos de falla:

Pérdida de Estado: Los agentes pierden el rastro de los hechos establecidos frente a las brechas no resueltas a medida que la evidencia queda enterrada en el contexto.
Bucles Repetitivos: Cuando las rutas de búsqueda no arrojan información útil, los agentes suelen repetir consultas similares o explorar callejones sin salida, desperdiciando presupuestos de búsqueda.
Colaboración Ineficiente: En sistemas multi-agente, los trabajadores en paralelo pueden duplicar esfuerzos, discrepar en las definiciones de campo o dejar ranuras de ejecución inactivas mientras esperan la tarea más lenta.
Gestión de Estado Frágil: Los agentes convencionales tratan los planes, el progreso y los fallos como contenido de conversación transitorio en lugar de un estado de sistema persistente.

El problema central es la falta de un mecanismo a nivel de sistema para externalizar el estado de búsqueda, haciendo que el progreso sea explícito, persistente y compartido entre agentes para evitar la redundancia y garantizar la robustez.

Metodología

Los autores presentan SearchOS, un marco de trabajo multi-agente a nivel de sistema diseñado para transformar el frágil e implícito progreso de búsqueda en un estado explícito y compartido. La metodología se basa en cuatro pilares:

1. Formulación de Búsqueda Relacional

El sistema redefine la búsqueda de información en el dominio abierto como la completitud de esquema relacional con citas fundamentadas.

Esquema: Las tareas se modelan como un conjunto de tablas conectadas por relaciones de clave primaria-clave foránea.
Objetivo: El sistema debe descubrir filas de entidades, poblar valores de atributos y mantener una matriz de citas que vincule cada valor con una URL de origen específica y un fragmento anclado.
Beneficio: Esto convierte las solicitudes abiertas en objetivos de búsqueda concretos y medibles a nivel de entidad y atributo.

2. Gestión de Contexto Orientada a la Búsqueda (SOCM)

Para externalizar el estado de ejecución, SearchOS mantiene un estado compartido duradero $M_t$ que comprende cuatro componentes, actualizados mediante operaciones de lectura-modificación-escritura bloqueadas:

Tarea de Frontera (Frontier Task): Un grupo de tareas dependientes de la jerarquía que representa las brechas de esquema no resueltas (por ejemplo, celdas específicas en una tabla).
Grafo de Evidencia: Un grafo que almacena hallazgos atómicos (valor, fuente, fragmento de apoyo) en lugar de resúmenes de página, preservando la procedencia detallada y gestionando conflictos.
Mapa de Cobertura: Una vista materializada de las celdas del esquema que rastrea el estado (faltante, lleno, incierto, inalcanzable) para medir el progreso cuantitativamente.
Memoria de Fallos: Un registro compartido de acciones no exitosas (por ejemplo, sitios inaccesibles, consultas repetidas) para evitar que los agentes retrace caminos agotados.

Los agentes reciben proyecciones de este estado específicas para su rol en lugar del historial completo, asegurando la relevancia del contexto y evitando información obsoleta.

3. Orquestación de Paralelismo de Segmentación (Pipeline-Parallel)

En lugar de un procesamiento por lotes sincronizado, SearchOS emplea programación de paralelismo de segmentación:

Despacho Continuo: Tan pronto como se libera una ranura de agente, se le asigna inmediatamente una nueva tarea dirigida a una brecha de cobertura no resuelta.
Utilización: Este enfoque superpone la ejecución de los sub-agentes (Explorador, Buscador, Escritor), reduciendo el tiempo de inactividad causado por los "rezagados" y aumentando la capacidad de procesamiento general.
Especialización de Roles: Un orquestador descompone el esquema y coordina agentes especializados, mientras que un escritor sintetiza el informe final basado en la evidencia acumulada.

4. Middleware de Herramientas de Búsqueda

Un soporte de sistema intercepta las interacciones del modelo y las herramientas para imponer invariantes globales sin depender de los prompts del agente:

Middleware de Contexto: Compone el contexto específico de cada rol inyectando el estado relevante y recuperando habilidades antes de las llamadas al modelo.
Middleware de Extracción de Evidencia: Vincula y ancla automáticamente la evidencia de las observaciones de las herramientas al esquema, actualizando el Grafo de Evidencia y el Mapa de Cobertura de forma atómica.
Middleware de Sensores: Monitorea estancamientos (falta de crecimiento en la cobertura) y agotamiento del presupuesto. Puede intervenir inyectando correcciones, cambiando estrategias o deteniendo ramas, asegurando una ejecución robusta incluso cuando los agentes fallan en autocorregirse.

5. Habilidades de Búsqueda Jerárquicas

El sistema utiliza una biblioteca de habilidades reutilizables categorizadas en:

Habilidades de Orquestador: Guías globales para la descomposición de tareas y alineación de esquemas.
Habilidades de Estrategia: Métodos independientes de la fuente para la reformulación de consultas y el razonamiento.
Habilidades de Acceso: Procedimientos de recuperación específicos de la fuente (por ejemplo, para portales gubernamentales o enciclopedias) que gestionan la navegación y el análisis.

Contribuciones Clave

Formulación de Búsqueda Relacional: Definir la búsqueda de información como la completitud de un esquema relacional con citas fundamentadas, proporcionando un objetivo unificado para el descubrimiento de entidades y la atribución de evidencia.
Colaboración de Estado y Paralelismo de Segmentación: Introducción de SOCM y un esquema de orquestación continua que coordina agentes a través de un estado compartido y asigna trabajo dinámicamente en torno a las brechas de cobertura.
Ejecución Gobernada por Middleware: Trasladar el procesamiento de evidencia, la gestión de contexto y las salvaguardas de comportamiento (detección de estancamiento, cumplimiento de presupuesto) fuera de los prompts de los agentes mediante un soporte de middleware dedicado.
Habilidades de Búsqueda Jerárquicas: Diseñar un sistema de habilidades que separa las estrategias reutilizables de los procedimientos de acceso específicos de cada sitio para aumentar el proceso de búsqueda a través de las sesiones.

Resultados Experimentales

SearchOS fue evaluado en los benchmarks WideSearch (recolección de hechos a gran escala) y GISA (asistente de búsqueda de información general), comparándolo contra bases de referencia de un solo agente (ReAct, Plan-and-Solve) y sistemas multi-agente (A-MapReduce, Web2BigTable, Table-as-Search).

WideSearch: SearchOS logró el mejor rendimiento en todas las métricas, alcanzando un F1 a nivel de ítem de 80.3, superando a la base de referencia más fuerte (A-MapReduce) por +4.3 puntos. También lideró en F1 a nivel de fila (56.5), demostrando que las mejoras en la recuperación no sacrificaron la precisión.
GISA: SearchOS lideró en todos los tipos de preguntas, con una ganancia particularmente significativa en preguntas de Conjunto (F1 de Conjunto de 76.5), superando a la mejor base de referencia por 13.4 puntos. Esto destaca la capacidad del sistema para manejar tareas de enumeración completa de manera efectiva.
Estudios de Ablación:
- Planificación de Esquema: La selección dinámica de esquemas superó por un amplio margen a los esquemas de tabla única o multitabla fijos, confirmando que las estructuras apropiadas para la tarea deben determinarse durante la búsqueda.
- Programación de Segmentación (Pipeline): El despacho continuo redujo el tiempo de extremo a extremo en un 24.3% y mejoró la utilización de las ranuras en comparación con la programación por lotes, logrando al mismo tiempo puntuaciones F1 más altas.
- Gobernanza de Middleware: Las intervenciones del Middleware de Sensores redirigieron con éxito las trayectorias de búsqueda estancadas, restaurando el progreso en las etapas iniciales, medias y finales.
- Habilidades: El uso de habilidades jerárquicas mejoró el F1 de Ítem en 2.0 puntos y el F1 de Fila en 3.4 puntos, mientras redujo el tiempo de sesión en un 36.6% y las llamadas de búsqueda en un 39.1%.

Significado y Reivindicaciones

El artículo afirma que SearchOS allana el camino hacia una colaboración de búsqueda de información robusta al abordar las limitaciones fundamentales de tratar el estado de búsqueda como un historial de conversación transitorio. Al externalizar el estado en un sistema compartido y persistente (SOCM) y gobernar la ejecución a través de un soporte de middleware, el marco asegura que:

El progreso sea medible y las brechas sean explícitas.
Los esfuerzos redundantes y los bucles repetitivos se minimicen.
Los presupuestos de búsqueda se utilicen eficientemente mediante el paralelismo de segmentación.
La evidencia esté rigurosamente fundamentada y sea verificable.

Los autores posicionan a SearchOS no simplemente como un mejor agente, sino como una infraestructura a nivel de sistema que hace que la búsqueda de largo alcance sea confiable, observable y escalable, yendo más allá de las limitaciones de los enfoques actuales de un solo agente o multi-agente que dependen únicamente del razonamiento basado en prompts.