💬 NLP

Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion

Cet article introduit Table-as-Search (TaS), un cadre structuré qui reformule la recherche d'informations à long terme en tant que tâche de complétion de tableau afin de maintenir la cohérence de la recherche et le suivi d'état, unifiant ainsi diverses stratégies de recherche et surpassant de manière significative les bases de référence de l'état de l'art en termes de robustesse et d'efficacité.

Auteurs originaux : Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo

Publié 2026-02-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo

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 Problème : L'agent « Perdu au milieu »

Imaginez que vous engagiez un assistant de recherche très intelligent mais légèrement distrait (un agent IA) pour trouver des informations spécifiques sur Internet. Vous lui posez une question complexe, du type : « Trouve-moi 30 magasins de fournitures pour animaux en Amérique du Nord qui ont progressé de plus de 50 % l'année dernière, et récupère le numéro de téléphone de leur responsable des ventes. »

Les assistants IA actuels essaient de faire cela en écrivant une longue histoire continue dans leur tête. Ils se disent : « Je vais chercher le Magasin A, puis le Magasin B, puis je vais vérifier leur croissance... » À mesure qu'ils creusent, cette « histoire » mentale devient énorme. Finalement, l'assistant est submergé. Il oublie le début de l'histoire, perd la trace des magasins qu'il a déjà vérifiés, ou s'embrouille face au volume impressionnant de notes. Dans le papier, c'est ce qu'on appelle être « perdu au milieu » (lost in the middle). Ils peuvent trouver les bons magasins, mais oublier de récupérer les numéros de téléphone, ou bien halluciner (inventer) des faits parce que leur « mémoire » est trop encombrée.

La Solution : Le cadre « Table-as-Search » (TaS)

Les auteurs proposent une nouvelle façon d'organiser ce travail. Au lieu d'écrire une longue histoire désordonnée, ils transforment la tâche de recherche en remplir un tableur (un tableau).

Voyez cela ainsi :

L'ancienne méthode : Essayer de se souvenir d'une liste de courses tout en marchant dans un immense entrepôt, en espérant ne pas oublier le lait ou les œufs.
La nouvelle méthode (TaS) : Vous avez un presse-papiers avec une grille. Chaque fois que vous trouvez un produit, vous l'inscrivez dans une case spécifique. Si une case est vide, vous savez exactement ce qu'il vous reste à trouver.

Comment ça marche : Les trois rôles

Le système utilise une équipe d'agents IA travaillant ensemble autour de ce tableur numérique :

Le Planificateur (Le Manager) : Cette IA examine la question de l'utilisateur et prépare le tableur. Elle décide des colonnes nécessaires (ex : « Nom du magasin », « Taux de croissance », « Numéro de téléphone »). Elle regarde les cases vides et dit : « D'accord, nous devons trouver 30 magasins pour remplir ces lignes. »
Les Sous-Agents (Les Travailleurs) : Ce sont les moteurs de recherche. Le Manager les envoie en mission pour trouver des candidats.
- Expansion de ligne : Si le tableau ne contient pas encore assez de magasins, les travailleurs partent en chercher de nouveaux pour les ajouter comme de nouvelles lignes.
- Remplissage de cellule : Si un magasin est trouvé mais que la case « Numéro de téléphone » est vide, les travailleurs vont chercher spécifiquement cette information pour remplir cette case précise.
La Base de Données Externe (Le Classeur) : Au lieu d'essayer de garder tous les résultats de recherche dans la mémoire à court terme de l'IA (qui est limitée), le tableur réside dans une base de données externe. L'IA ne consulte que les parties du tableau dont elle a besoin à l'instant présent. Cela permet de garder le « cerveau » de l'IA dégagé pour réfléchir, et non pour simplement stocker des données.

Ce qu'ils ont testé

Le papier a testé cette méthode sur trois types de tâches de recherche difficiles :

Recherche Profonde (Deep Search) : Trouver une aiguille spécifique dans une botte de foin (ex : « Trouve le chanteur qui répond à ces 5 critères spécifiques »).
Recherche Large (Wide Search) : Trouver une énorme pile d'aiguilles (ex : « Liste tous les gagnants d'un prix entre 2005 et 2015 »).
Recherche Profonde-Large (DeepWide Search) : La plus difficile. Trouver une énorme pile d'aiguilles et vérifier que chacune d'elles respecte des règles strictes (ex : « Trouve 30 magasins qui respectent ces 5 règles ET récupère leur numéro de téléphone »).

Les Résultats : Pourquoi c'est meilleur

Le papier affirme que TaS est nettement meilleur que les méthodes de pointe actuelles (comme la méthode standard « ReAct » utilisée par de nombreuses grandes entreprises d'IA).

Il ne se perd pas : Parce que le tableau suit précisément ce qui est fait et ce qui manque, l'IA n'oublie jamais son plan, même lors de recherches très longues.
Il est plus efficace : Il a trouvé de meilleures réponses en faisant moins de tentatives de recherche que la concurrence. Il n'a pas eu besoin de procéder par force brute ; il a été précis.
Il fonctionne avec des « cerveaux » plus petits : Étonnamment, un modèle d'IA plus petit et moins coûteux utilisant cette méthode de « Tableau » a battu un modèle d'IA beaucoup plus grand et plus cher utilisant l'ancienne méthode de l'« Histoire ». La structure a aidé le petit modèle à surpasser ses capacités théoriques.
Il est flexible : Le « Manager » peut remplacer les « Travailleurs ». Si vous avez un outil spécialisé pour trouver des numéros de téléphone, vous pouvez l'intégrer sans casser l'ensemble du système.

En résumé

Le papier soutient que lorsque les agents IA partent en longues et complexes chasses au trésor sur Internet, ils ne devraient pas compter sur un flux de conscience désordonné. Au lieu de cela, ils devraient utiliser un tableau structuré pour organiser leurs notes. Ce changement simple empêche l'IA de s'embrouiller, l'aide à trouver des réponses plus précises et lui permet d'en faire plus avec moins de puissance de calcul.

Résumé Technique : Table-as-Search (TaS)

1. Définition du Problème

Les systèmes actuels de recherche d'informations agentiques (InfoSeeking), particulièrement ceux s'appuyant sur les modèles de langage de grande taille (LLM), sont confrontés à des défis significatifs en matière d'exploration à long horizon. Les paradigmes traditionnels comme ReAct gèrent les états de recherche (procédures de planification et résultats de recherche massifs) au sein d'un contexte unique de texte brut non structuré. Cette approche est intrinsèquement fragile pour les tâches complexes, entraînant :

Le phénomène "Perdu au milieu" (Lost in the Middle) : À mesure que l'horizon d'interaction s'étend, la densité d'informations pertinentes se dilue, provoquant une perte de suivi des procédures de planification et de l'historique de recherche par les agents.
Perte de fidélité de l'état : Le suivi de milliers de résultats de recherche et des étapes de planification correspondantes dans une trajectoire textuelle unique entraîne de graves hallucinations et une propagation d'erreurs.
Inefficacité dans les scénarios complexes : Les agents peinent à effectuer simultanément l'extraction d'informations et le suivi d'état au sein d'une seule passe directe (forward pass), particulièrement dans les tâches nécessitant à la fois une agrégation large et une vérification profonde.

L'article identifie une lacune dans la gestion simultanée de trois paradigmes distincts d'InfoSeeking : la Recherche Profonde (filtrage précis de cibles), la Recherche Large (agrégation large d'informations) et la recherche complexe DeepWide (exploration large et vérification profonde simultanées).

2. Méthodologie : Table-as-Search (TaS)

Pour répondre à ces limitations, les auteurs introduisent Table-as-Search (TaS), un cadre de planification structuré qui reformule l'InfoSeeking comme une tâche de Complétion de Tableau.

Architecture Centrale

Schéma Structuré : Au lieu d'une génération de texte libre, TaS projette une requête utilisateur $q$ dans un schéma structuré $S = \langle K, C, I \rangle$ , où $K$ représente les candidats clés, $C$ désigne les contraintes et $I$ indique les informations requises.
Base de Données Externe : Le cadre maintient un tableau structuré dans une base de données externe (par exemple, MongoDB). Les lignes représentent les entités candidates, et les colonnes représentent les attributs ou les contraintes.
- Cellules Remplies : Enregistrent strictement l'historique et les résultats de recherche.
- Cellules Vides : Servent de plan de recherche explicite et en attente.
Déchargement (Offloading) : Les résultats de recherche massifs sont déchargés vers la base de données externe, préservant la fenêtre de contexte limitée de l'agent pour le raisonnement complexe plutôt que pour le stockage passif d'informations.

Orchestration Multi-Agents

TaS est implémenté via un système multi-agents centré autour d'une base de données partagée, exécutant un processus en trois phases :

Initialisation du Tableau : Un Planificateur (Agent Principal) analyse la requête et construit le schéma du tableau.
Orchestration Dynamique : Le Planificateur sélectionne des actions de manière itérative :
- Expansion de Ligne : Si les candidats sont insuffisants, le Planificateur formule des stratégies de recherche diversifiées pour découvrir de nouveaux candidats (les Sous-Agents effectuent des recherches larges en parallèle).
- Population de Cellules : Si les candidats existent mais que l'information est incomplète, des Sous-Agents sont déployés en parallèle pour peupler des cellules spécifiques (vérification des contraintes ou collecte d'informations).
Synthèse de la Réponse : Une fois l'état de saturation atteint, le Planificateur récupère les preuves structurées de la base de données pour synthétiser la réponse finale (par exemple, en effectuant une vérification croisée des contraintes pour la Recherche Profonde ou en exécutant des requêtes SQL pour la Recherche Large).

Représentation Unifiée

TaS fournit une représentation unifiée pour :

Recherche Profonde : Identifier une ligne candidate unique satisfaisant toutes les contraintes ( $|C| > 0$ ).
Recherche Large : Recueillir des informations pour de nombreux candidats sous des contraintes minimales ( $|I| > 0$ ).
Recherche DeepWide : Maximiser la découverte de candidats sous des contraintes strictes suivie d'une collecte d'informations dense ( $|C| > 0, |I| > 0$ ).

3. Contributions Clés

Innovation de Cadre : Propose TaS, le premier cadre reformulant l'InfoSeeking à long horizon comme une tâche de Complétion de Tableau structurée, unifiant les paradigmes de recherche Deep, Wide et DeepWide.
Gestion d'État : Introduit un mécanisme pour gérer précisément les états de recherche en séparant les "actions en attente" (cellules vides) de l' "historique vérifié" (cellules remplies), atténuant le problème du "perdu au milieu".
Création de Benchmark : A élaboré un benchmark DeepWide Search exigeant basé sur des scénarios réels de développement commercial dans l'E-commerce, répondant au manque d'évaluations publiques de haute qualité pour les tâches de recherche hybrides.
Conception Modulaire : Démontre une architecture "plug-and-play" où des agents de recherche profonde spécialisés (par exemple, des modèles affinés) peuvent servir de Sous-Agents, découplant la planification de l'exécution.

4. Résultats Expérimentaux

Des expériences approfondies ont été menées à travers trois catégories de benchmark : GAIA/BrowseComp-ZH (Recherche Profonde), WideSearch (Recherche Large) et le benchmark curaté DeepWide Search.

Supériorité de Performance : TaS surpasse significativement les bases de référence de l'état de l'art (incluant Multi-Agent ReAct et les systèmes commerciaux comme Gemini DeepResearch) à travers les trois paradigmes.
- Recherche Profonde : Sur GAIA, TaS avec le modèle économiquement efficace Gemini-2.5-Flash a surpassé la base de référence Multi-Agent ReAct de +14,0%, démontrant qu'une gestion d'état structurée peut permettre à de plus petits modèles de rivaliser avec des modèles plus grands.
- Recherche Large : TaS avec Claude-Sonnet-4 (No-Think) a obtenu des taux de succès comparables à la base de référence Claude-Sonnet-4 (Thinking), plus lourde en calcul, tout en la surpassant significativement dans les métriques Max@4 (9,1% contre 6,5%).
- Recherche DeepWide : TaS a surpassé le système propriétaire Gemini DeepResearch de +4,7% en Column-F1 et de +5,1% en Item-Precision.
Efficacité et Robustesse :
- Efficacité de Recherche : TaS atteint une performance plus élevée avec un volume d'utilisation d'outils comparable ou inférieur aux bases de référence, prouvant que les gains proviennent de la qualité de la planification plutôt que d'une mise à l'échelle par la force brute de la recherche.
- Robustesse : À mesure que la complexité de la tâche (niveau de difficulté) augmente, l'écart de performance entre TaS et les bases de référence s'élargit. TaS maintient sa stabilité dans les niveaux "Hard" où les bases de référence subissent une dégradation significative (>30% de chute).
- Mise à l'échelle au moment de l'inférence (Test-Time Scaling) : TaS bénéficie plus efficacement de l'augmentation du calcul d'inférence (scaling $N$ ) que le ReAct non structuré, les écarts de performance s'accentuant à mesure que $N$ augmente.
Études d'Ablation : Le Planificateur (Agent Principal) est identifié comme le goulot d'étranglement critique ; l'utilisation d'un planificateur de moindre niveau provoque des chutes de performance significatives, tandis que la dégradation des Sous-Agents a un impact plus modéré. Cela confirme le rôle du planificateur dans l'orchestration d'une exploration efficace.

5. Signification et Revendications

L'article affirme que TaS représente un changement de paradigme, passant de la génération de texte non structuré à une planification structurée centrée sur les données pour les systèmes agentiques.

Orthogonalité Architecturale : TaS est orthogonal aux avancées récentes de la gestion de contexte (ex: résumé) et de l'entraînement des modèles (ex: RL). Il ne repose pas sur la compression de texte mais impose un schéma structuré pour décharger le suivi d'état.
Scalabilité : Le cadre démonte que l'InfoSeeking efficace à long horizon dépend moins de la capacité de raisonnement brut du modèle de fondation que de la gestion d'état structurée. Cela permet à des modèles plus petits et plus rentables d'accomplir des tâches complexes lorsqu'ils sont couplés à l'architecture TaS.
Applicabilité Industrielle : En découplant la planification de l'exécution, TaS permet l'intégration de modèles spécialisés et économiquement efficaces pour des actions de recherche à haute fréquence, ce qui en fait une solution viable pour des applications industrielles à grande échelle comme le développement commercial dans l'E-commerce.

Limites Reconnues :

Tâches de Non-Recherche : Le schéma structuré peut introduire une rigidité pour les tâches reposant uniquement sur les connaissances internes ou le simple respect d'instructions, entraînant des fluctuations de performance dans les instances GAIA de non-recherche.
Dépendance au Planificateur : La performance est actuellement limitée par la capacité de raisonnement du Planificateur central.
Scalabilité de l'Évaluation : Le benchmark DeepWide repose sur la vérification humaine en raison de la nature ouverte des tâches, ce qui limite la reproductibilité à grande échelle par rapport aux benchmarks à domaine fermé.