💬 NLP

A-MapReduce: Executing Wide Search via Agentic MapReduce

A-MapReduce est un nouveau cadre multi-agents qui exploite un paradigme MapReduce pour transformer les tâches de recherche étendues en processus de récupération parallèles à structure horizontale, atteignant des performances de pointe et des gains d'efficacité significatifs par rapport aux systèmes agentiques séquentiels existants.

Auteurs originaux : Mingju Chen, Guibin Zhang, Heng Chang, Yuchen Guo, Shiji Zhou

Publié 2026-02-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mingju Chen, Guibin Zhang, Heng Chang, Yuchen Guo, Shiji Zhou

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le gros problème : Le « Couloir sans fin » vs La « Bibliothèque »

Imaginez que vous avez un assistant très intelligent (un agent IA) et que vous lui posez une question qui nécessite de trouver une grande quantité d'informations.

La Recherche Profonde (Deep Search), c'est comme demander à votre assistant de résoudre un problème de mathématiques complexe. Il réfléchit étape par étape, l'une après l'autre, en allant en profondeur dans la logique. Cela fonctionne bien.
La Recherche Large (Wide Search), c'est comme demander à votre assistant : « Trouve-moi les 100 meilleurs restaurants à Paris, leurs adresses et leurs évaluations étoilées. »

Les systèmes d'IA actuels essaient de faire cette « Recherche Large » de la même manière qu'ils font la réflexion profonde : ils parcourent un long couloir unique, vérifiant un restaurant, puis le suivant, puis le suivant.

Le Problème : Si la liste est énorme, l'assistant s'y perd. Il oublie ce qu'il a trouvé précédemment, visite deux fois le même restaurant, ou n'a plus le temps de finir la liste. C'est comme essayer de nettoyer une immense bibliothèque en parcourant un rayon à la fois, en se fatiguant et en oubliant quels livres vous avez déjà vérifiés.

La Solution : A-MapReduce (L'approche de la « Chaîne de montage »)

Les auteurs proposent un nouveau cadre appelé A-MapReduce. Ils reprennent un concept de l'informatique (MapReduce) et l'appliquent aux agents IA.

Considérez A-MapReduce non pas comme une seule personne marchant dans un couloir, mais comme une chaîne de montage d'usine hautement organisée.

1. La phase « Map » : Décomposer la tâche

Au lieu d'un seul agent qui fait tout, le système agit comme un Chef de projet.

L'Analogie : Imaginez que vous deviez emballer 1 000 cartons pour un déménagement. Au lieu d'une seule personne transportant un carton à la fois, le Chef de projet crée une liste de tous les 1 000 cartons (la « Matrice de tâches »).
Ce qu'il fait : Le gestionnaire décompose la grande question (« Trouver 100 restaurants ») en 100 micro-tâches spécifiques (« Trouver les infos pour le Restaurant A », « Trouver les infos pour le Restaurant B »).
La Magie : Il ne se contente pas de les lister ; il détermine la meilleure façon de les regrouper. Peut-être les regroupe-t-il par quartier afin que les agents n'aient pas à voyager loin. C'est ce qu'on appelle le Lotissement Adaptatif (Adaptive Batching).

2. La phase « Reduce » : Assembler le tout

L'Analogie : Une fois que les 100 cartons ont été emballés par une équipe de 10 travailleurs (agents de recherche) travaillant en même temps (en parallèle), ils apportent tous leurs cartons à une station centrale.
Ce qu'il fait : Un agent « Reducer » prend tous ces morceaux d'informations séparés et les assemble pour créer un tableau parfait et organisé. S'il manque une pièce, le système sait exactement quel carton ouvrir et réparer, plutôt que de tout recommencer.

La Recette Secrète : La « Mémoire Expérientielle »

L'article introduit une fonctionnalité spéciale appelée Mémoire Expérientielle (Experiential Memory). C'est la façon dont le système « apprend de ses erreurs » sans avoir besoin d'un enseignant humain.

L'Analogie : Imaginez un chef cuisinier chevronné qui a préparé le même plat 100 fois.
- Sans Mémoire : Chaque fois que vous demandez le plat, le chef repart de zéro, brûle peut-être les toasts ou oublie une épice, parce qu'il ne se souvient pas de ce qui s'est passé la dernière fois.
- Avec Mémoire : Le chef possède un « carnet de recettes ». Avant de commencer à cuisiner, il consulte le carnet. Il y lit : « La dernière fois, nous avons regroupé les ingrédients par couleur, et cela a fait gagner 10 minutes. Aussi, nous avons oublié de vérifier la température du four, alors rectifions cela. »
Comment cela fonctionne dans l'article :
- Lorsque le système termine une tâche, il enregistre une note sur ce qui a bien fonctionné et ce qui n'a pas fonctionné.
- La fois suivante, lorsqu'il reçoit une question similaire, il consulte ces notes.
- Il utilise ces notes pour décider : « Dois-je envoyer 10 travailleurs ou 50 ? Dois-je regrouper par ville ou par prix ? »
- Avec le temps, le système devient plus rapide, moins coûteux et plus précis car il affine constamment sa « chaîne de montage » en se basant sur ses expériences passées.

Pourquoi cela importe (Les Résultats)

L'article a testé ce système sur cinq benchmarks différents (comme « WideSearch » et « DeepWideSearch ») et l'a comparé à d'autres systèmes d'IA de pointe.

C'est plus Rapide : Parce qu'il utilise des travailleurs parallèles (plusieurs agents travaillant en même temps) au lieu d'une ligne lente, il a terminé les tâches 45,8 % plus vite que les autres systèmes.
C'est moins Coûteux : Parce qu'il ne perd pas de temps à refaire le travail ou à s'égarer, il a utilisé moins d'argent (coûts d'API) pour obtenir des résultats identiques ou meilleurs.
C'est plus Intelligent : Il a obtenu de meilleurs scores de précision (scores F1) car il suivait mieux l'ensemble de la liste, garantissant qu'aucun élément n'était oublié.

Résumé en une phrase

A-MapReduce transforme une recherche chaotique et lente d'informations massives en une ligne de production parallèle et rationalisée qui devient plus intelligente et plus efficace à chaque fois qu'elle termine un travail, en se souvenant de ce qui a le mieux fonctionné par le passé.

Résumé Technique : A-MapReduce : Exécuter une Recherche Large via le MapReduce Agentique

1. Énoncé du Problème

Les systèmes multi-agents (MAS) contemporains basés sur les Grands Modèles de Langage (LLM) ont démontré un succès significatif dans les tâches de « recherche profonde » (deep search), qui reposent sur un raisonnement itératif et verticalement structuré. Cependant, ces systèmes éprouvent des difficultés avec les tâches de recherche large (wide search) — des scénarios caractérisés par une récupération à grande échelle et orientée vers la largeur, où l'objectif est de couvrir un ensemble massif d'entités faiblement couplées et de les agréger en une sortie structurée.

Les cadres agentiques existants, conçus autour d'un raisonnement séquentiel et vertical, font face à deux limitations principales lorsqu'ils sont appliqués à la recherche large :

Dilemme de la Gestion des Cibles : La plupart des MAS s'appuient sur l'historique implicite du dialogue ou sur des plans de forme libre pour gérer les cibles de récupération. Dans les exécutions à long horizon, cela conduit à des omissions d'entrées, des récupérations redondantes et un désalignement des cibles.
Dilemme du Modèle d'Exécution : Les systèmes actuels re-planifient généralement les pipelines d'exécution pour chaque requête sans abstraire ou réutiliser les modèles structurels partagés entre des requêtes similaires. Cela empêche l'accumulation d'expérience et l'évolution des décisions d'exécution.

Les auteurs soutiennent que la recherche large ne doit pas être modélisée comme un problème de raisonnement profond, mais comme un problème de récupération horizontalement structuré nécessitant l'organisation, l'allocation, le suivi et l'agrégation de cibles de récupération à grande échelle.

2. Méthodologie : A-MapReduce

Pour relever ces défis, les auteurs proposent A-MapReduce, un cadre d'exécution multi-agents inspiré du paradigme MapReduce des systèmes de bases de données. Il reconceptualise la recherche large comme un processus de calcul distribué pour la récupération structurée, comprenant trois composantes clés :

A. Exécution MapReduce Agentique

Le cadre structure explicitement les décisions d'exécution sous la forme d'un triplet $\Theta_q = (M_q, P_q, B_q)$ :

Matrice de Tâches ( $M_q$ ) : Encode $N$ entités cibles avec des attributs connus, servant de schéma explicite pour le périmètre de récupération.
Modèle (Template $P_q$ ) : Une chaîne spécifique à la requête avec des espaces réservés alignés sur les colonnes de $M_q$ .
Stratégie de Lotissement (Batching Strategy $B_q$ ) : Une stratégie discrète (ex: par atome, par attribut, ou adaptative) qui partitionne les tâches atomiques en lots disjoints.

L'exécution suit un pipeline en deux étapes :

Phase de Mapping (Cartographie) : Un agent gestionnaire ( $A_{manage}$ ) analyse la requête et les observations accumulées pour échantillonner une décision de haut niveau $\Theta_q$ . Il instancie des tâches de récupération atomiques en remplissant le modèle $P_q$ avec les lignes de $M_q$ . Ces tâches sont ensuite partitionnées en lots selon $B_q$ .
Phase de Réduction : Des agents de recherche indépendants ( $A_{search}$ ) exécutent les lots en parallèle. L'agent gestionnaire agrège les résultats partiels en un tableau unifié, les valide par rapport au schéma, et déclenche un cycle léger de « patch delta » si la complétude est violée.

B. Évolution Basée sur l'Expérience

A-MAPREDUCE introduit un mécanisme de mémoire expérientielle pour piloter l'évolution continue des décisions d'exécution. La mémoire $\mathcal{M}$ stocke :

Ensemble d'Enregistrements ( $D$ ) : Informations historiques au niveau de la tâche, incluant les requêtes, les décisions réalisées, les traces d'exécution et le feedback d'utilité.
Pool d'Indices (Hint Pool $H$ ) : Indices structurels distillés et réutilisables (ex: stratégies de lotissement optimales ou contraintes de modèles) dérivés de succès passés.
Opérateur de Distillation ( $F_\psi$ ) : Consolide les enregistrements en indices représentatifs au niveau du cluster pour prévenir la redondance et la dérive sémantique.

La Boucle d'Évolution :

Récupération de Mémoire : Pour une nouvelle requête, le système récupère des enregistrements historiques sémantiquement similaires, tant positifs (haute utilité) que négatifs (basse utilité).
Échantillonnage de Décision Conditionnel : Le système construit un a priori expérientiel $\Delta_q$ en combinant les indices récupérés avec des exemples types. Ce a priori agit comme une ancre de décision, biaisant l'échantillonnage de la décision d'exécution $\Theta_q$ vers des régions de l'espace de décision historiquement à haute utilité.
Mise à jour par Feedback : Après l'exécution, le système met à jour la mémoire avec le nouvel enregistrement et affine les scores des indices en fonction du feedback d'utilité, permettant une amélioration progressive de l'efficacité et de la robustesse de l'exécution.

3. Contributions Clés

L'article présente trois contributions principales :

Reformulation du Paradigme : L'introduction d'A-MapReduce, un cadre open-source qui reformule la recherche large comme un processus d'exécution contrôlable de type MapReduce. Il permet un suivi persistant de la couverture, un mapping parallélisé et une réduction rigoureuse en tableaux cohérents avec le schéma.
Évolution Pratique : Le développement d'un mécanisme d'évolution basé sur l'expérience qui couple l'exécution MapReduce avec une mémoire expérientielle. Cela permet au système d'affiner progressivement les distributions de décisions conditionnées par la requête, menant à une exécution de plus en plus adaptative et rentable.
Évaluation Expérimentale : Une évaluation complète à travers cinq benchmarks agentiques démontrant qu'A-MapReduce atteint des performances de pointe tout en améliorant considérablement la rentabilité.

4. Résultats Expérimentaux

Les auteurs ont évalué A-MapReduce sur WideSearch, DeepWideSearch, et un Sous-ensemble Agentic-Wide construit à partir de xBench, WebWalkerQA et TaskCraft.

Performance : A-MapReduce a atteint des résultats de pointe sur WideSearch et DeepWideSearch.
- Sur WideSearch, il a amélioré l'Item F1 moyen de 5,64 % à 27,62 % par rapport aux bases solides (incluant les noyaux OpenAI o3 et Gemini 2.5 Pro).
- Sur DeepWideSearch, il a montré des gains absolus de 3,52 % à 19,09 % en précision de l'entité centrale (Core Entity Accuracy) et de 9,71 % à 30,18 % en Column-F1 par rapport aux cadres multi-agents open-source.
- Il a atteint un taux de réussite de 4,43 % sur DeepWideSearch, surpassant nettement les bases qui stagnaient entre 0 et 2 %.
Efficacité et Coût :
- A-MapReduce a réduit le temps d'exécution de 45,8 % par rapport aux bases multi-agents représentatives.
- Il a obtenu des compromis coût-performance supérieurs, économisant en moyenne 1,10 $ par tâche et réduisant les coûts d'API jusqu'à 47,5 % tout en délivrant des sorties de meilleure qualité.
Études d'Ablation : Le retrait de la mémoire expérientielle a entraîné une chute de 5,15 % de l'Item F1 et de 5,73 % du Row F1, tout en augmentant les coûts. Le retrait des décisions structurelles (matrice de tâches ou stratégie de lotissement) a provoqué des déclins de performance encore plus marqués, confirmant la nécessité de l'approche structurée.

5. Signification et Revendications

L'article affirme qu'A-MapReduce comble une lacune critique dans les systèmes multi-agents en déplaçant l'attention du raisonnement vertical et profond vers la récupération horizontale et structurée. Sa signification réside dans :

Gestion d'État Explicite : En externalisant les objectifs de récupération dans une matrice de tâches alignée sur un schéma, le cadre rend les états d'exécution observables et correctibles, atténuant les modes de défaillance courants tels que la perte de couverture et la fragmentation des preuves dans les tâches à long horizon.
Optimisation par l'Expérience : Le cadre démontre que les systèmes multi-agents peuvent « apprendre à planifier » en distillant les modèles d'exécution de l'historique, plutôt qu'en se contentant de récupérer plus de contenu. Cela conduit à des améliorations progressives de l'efficacité et de la robustesse sans nécessifier de réentraînement des LLM sous-jacents.
Scalabilité : La conception inspirée de MapReduce permet le traitement parallèle de cibles de récupération massives, offrant une solution scalable pour la recherche d'informations à large portée que les cadres séquentiels existants ne peuvent gérer efficacement.

Les auteurs concluent qu'A-MapReduce fournit un paradigme efficace en ressources et fiable pour la récupération à large portée, abaissant potentiellement la barrière au déploiement de systèmes agentiques à grande échelle pour des tâches complexes et riches en données.