💬 NLP

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

Questo articolo introduce Table-as-Search (TaS), un framework strutturato che riformula la ricerca di informazioni a lungo termine come un compito di completamento di tabelle per mantenere la coerenza della ricerca e il tracciamento dello stato, superando così significativamente i baseline allo stato dell'arte in termini di robustezza ed efficienza, unificando al contempo diverse strategie di ricerca.

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

Pubblicato 2026-02-09

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Problema: L'Agente "Perso nel Mezzo"

Immagina di assumere un assistente alla ricerca molto intelligente ma un po' smemorato (un agente IA) per trovare informazioni specifiche su Internet. Gli poni una domanda complessa, come: "Trovami 30 negozi di articoli per animali in Nord America che sono cresciuti oltre il 50% l'anno scorso, e ottieni il numero di telefono del loro responsabile delle vendite."

Gli attuali assistenti IA cercano di farlo scrivendo una lunga storia continua nella loro testa. Pensano: "Cercherò il Negozio A, poi il Negozio B, poi controllerò la loro crescita..." Man mano che scavano in profondità, questa "storia" mentale diventa enorme. Alla fine, l'assistente viene sopraffatto. Dimentica l'inizio della storia, perde il conto di quali negozi ha già controllato o si confonde per l'enorme volume di appunti. Nel documento, questo viene chiamato essere "persi nel mezzo" (lost in the middle). Potrebbero trovare i negozi giusti ma dimenticare di prendere i numeri di telefono, oppure potrebbero inventare (allucinare) fatti perché la loro "memoria" è troppo ingombra.

La Soluzione: Il Framework "Table-as-Search" (TaS)

Gli autori propongono un nuovo modo di organizzare questo lavoro. Invece di scrivere una storia lunga e disordinata, trasformano il compito di ricerca nel compilare un foglio di calcolo (una tabella).

Pensa a questo:

Il Vecchio Modo: Cercare di ricordare una lista della spesa mentre cammini attraverso un enorme magazzino, sperando di non dimenticare il latte o le uova.
Il Nuovo Modo (TaS): Hai una cartella con una griglia. Ogni volta che trovi un prodotto, lo scrivi in una casella specifica. Se una casella è vuota, sai esattamente cosa ti resta da trovare.

Come Funziona: I Tre Ruoli

Il sistema utilizza un team di agenti IA che lavorano insieme attorno a questo foglio di calcolo digitale:

Il Planner (Il Manager): Questa IA guarda la domanda dell'utente e prepara il foglio di calcolo. Decide quali colonne sono necessarie (ad es. "Nome Negozio", "Tasso di Crescita", "Numero di Telefono"). Guarda le caselle vuote e dice: "Ok, dobbiamo trovare 30 negozi per riempire queste righe".
I Sub-Agenti (Gli Operai): Questi sono i motori di ricerca. Il Manager li manda a cercare dei candidati.
- Espansione delle Righe (Row Expansion): Se la tabella non ha ancora abbastanza negozi, gli operai vanno in giro per trovarne di nuovi da aggiungere come nuove righe.
- Popolamento delle Celle (Cell Population): Se un negozio viene trovato ma la casella "Numero di Telefono" è vuota, gli operai vanno specificamente a cercare quell'informazione e a riempire quella casella specifica.
Il Database Esterno (L'Archivio): Invece di cercare di tenere tutti i risultati della ricerca nella memoria a breve termine dell'IA (che è limitata), il foglio di calcolo vive in un database esterno. L'IA guarda solo le parti della tabella di cui ha bisogno in quel momento. Questo mantiene il "cervello" dell'IA libero per pensare, non solo per archiviare dati.

Cosa hanno Testato

Il documento ha testato questo metodo su tre tipi di compiti di ricerca difficili:

Ricerca Profonda (Deep Search): Trovare un ago specifico in un pagliaio (ad es. "Trova l'unico cantante che soddisfa questi 5 criteri specifici").
Ricerca Ampia (Wide Search): Trovare un enorme mucchio di aghi (ad es. "Elenca ogni vincitore di un premio dal 2005 al 2015").
Ricerca Profonda-Ampia (DeepWide Search): Il più difficile. Trovare un enorme mucchio di aghi e verificare che ognuno di essi soddisfi regole rigorose (ad es. "Trova 30 negozi che soddisfano queste 5 regole E ottieni il loro numero di telefono").

I Risultati: Perché è Migliore

Il documento afferma che TaS è significativamente migliore rispetto ai metodi allo stato dell'arte attuali (come il metodo standard "ReAct" usato da molte grandi aziende di IA).

Non si perde: Poiché la tabella traccia esattamente cosa è stato fatto e cosa manca, l'IA non dimentica mai il suo piano, anche in ricerche molto lunghe.
È più efficiente: Ha trovato risposte migliori usando meno tentativi di ricerca rispetto alla concorrenza. Non ha avuto bisogno di procedere per forza bruta; è stata precisa.
Funziona con "cervelli" più piccoli: Sorprendentemente, un modello di IA più piccolo e meno costoso che utilizza questo metodo "Tabella" ha battuto un modello IA molto più grande e costoso che utilizza il vecchio metodo "Storia". La struttura ha aiutato il modello più piccolo a rendere molto più di quanto ci si aspettasse.
È flessibile: Il "Manager" può sostituire gli "Operai". Se hai uno strumento specializzato per trovare numeri di telefono, puoi inserirlo senza rompere l'intero sistema.

In Sintesi

Il documento sostiene che quando gli agenti IA intraprendono lunghe e compleshe cacce al tesoro su Internet, non dovrebbero fare affidamento su un flusso di coscienza disordinato. Inveve, dovrebbero usare una tabella strutturata per tenere organizzati i loro appunti. Questo semplice cambiamento impedisce loro di confondersi, li aiuta a trovare risposte più accurate e permette loro di fare di più con meno potenza di calcolo.

Riepilogo Tecnico: Table-as-Search (TaS)

1. Definizione del Problema

Gli attuali sistemi di Ricerca Informativa (InfoSeeking) Agente-centrica, in particolare quelli che si affidano ai Large Language Models (LLM), affrontano sfide significative nella esplorazione a lungo orizzonte. I paradigmi tradizionali come ReAct gestiscono gli stati di ricerca (procedure di pianificazione e massicci risultati di ricerca) all'interno di un singolo contesto di testo semplice non strutturato. Questo approccio è intrinsecamente fragile per compiti complessi, portando a:

Fenomeno "Lost in the Middle": Man mano che l'orizzonte di interazione si espande, la densità di informazioni rilevanti si diluisce, causando la perdita di traccia delle procedure di pianificazione e della cronologia di ricerca da parte degli agenti.
Perdita di Fedeltà dello Stato: Il monitoraggio di migliaia di risultati di ricerca e delle corrispondenti fasi di pianificazione in una singola traiettoria testuale porta a gravi allucinazioni e propagazione di errori.
Inefficienza in Scenari Complessi: Gli agenti faticano a eseguire simultaneamente l'estrazione di informazioni e il monitoraggio dello stato all'interno di un singolo passaggio in avanti (forward pass), particolarmente in compiti che richiedono sia aggregazione ampia che verifica profonda.

Il documento identifica una lacuna nella gestione di tre distinti paradigmi di InfoSeeking simultaneamente: Ricerca Profonda (filtraggio preciso del target), Ricerca Ampia (aggregazione di informazioni estese) e la complessa Ricerca Profonda-Ampia (esplorazione ampia e verifica profonda simultanee).

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

Per affrontare tali limitazioni, gli autori introducono Table-as-Search (TaS), un framework di pianificazione strutturata che riformula l'InfoSeeking come un compito di Completamento di Tabella.

Architettura Core

Schema Strutturato: Invece della generazione di testo libero, TaS mappa una query dell'utente $q$ in uno schema strutturato $S = \langle K, C, I \rangle$ , dove $K$ rappresenta i candidati chiave, $C$ denota i vincoli e $I$ denota le informazioni richieste.
Database Esterno: Il framework mantiene una tabella strutturata in un database esterno (ad es. MongoDB). Le righe rappresentano le entità candidate e le colonne rappresentano attributi o vincoli.
- Celle Riempite: Registrano rigorosamente la cronologia e i risultati della ricerca.
- Celle Vuote: Fungono da piano di ricerca esplicito e in sospeso.
Offloading: I massicci risultati di ricerca vengono scaricati (offloaded) in un database esterno, preservando la finestra di contesto limitata dell'agente per il ragionamento complesso piuttosto che per l'archiviazione passiva di informazioni.

Orchestrazione Multi-Agente

TaS è implementato tramite un sistema multi-agente centrato su un database condiviso, che esegue un processo in tre fasi:

Inizializzazione della Tabella: Un Planner (Main-Agent) centrale analizza la query e costruisce lo schema della tabella.
Orchestrazione Dinamica: Il Planner seleziona iterativamente le azioni:
- Espansione delle Righe: Se i candidati sono insufficienti, il Planner formula strategie di ricerca diverse per scoprire nuovi candidati (i Sub-Agent eseguono ricerche ampie in parallelo).
- Popolamento delle Celle: Se i candidati esistono ma le informazioni sono incomplete, i Sub-Agent vengono inviati in parallelo per popolare celle specifiche (verifica dei vincoli o raccolta di informazioni).
Sintesi della Risposta: Al raggiungimento di uno stato di saturazione, il Planner recupera prove strutturate dal database per sintetizzare la risposta finale (ad es. la cross-verifica dei vincoli per la Ricerca Profonda o l'esecuzione di query SQL per la Ricerca Ampia).

Rappresentazione Unificata

TaS fornisce una rappresentazione unificata per:

Ricerca Profonda: Identificazione di una riga candidata unica che soddisfi tutti i vincoli ( $|C| > 0$ ).
Ricerca Ampia: Raccolta di informazioni per una massa di candidati sotto vincoli minimi ( $|I| > 0$ ).
Ricerca Profonda-Ampia: Massimizzazione della scoperta di candidati sotto vincoli stretti seguita da una densa raccolta di informazioni ( $|C| > 0, |I| > 0$ ).

3. Contributi Chiave

Innovazione del Framework: Propone TaS, il primo framework che riformula l'InfoSeeking a lungo orizzonte come un compito strutturato di Completamento di Tabella, unificando i paradigmi di ricerca Profonda, Ampia e Profonda-Ampia.
Gestione dello Stato: Introduce un meccanismo per gestire precisamente gli stati di ricerca separando le "azioni in sospeso" (celle vuote) dalla "cronologia verificata" (celle riempite), mitigando il problema del "lost in the middle".
Creazione di Benchmark: Ha curato un benchmark di Ricerca Profonda-Ampia impegnativo basato su scenari reali di Sviluppo Business nell'E-commerce, affrontando la mancanza di valutazioni pubbliche di alta qualità per compiti di ricerca ibrida.
Design Modulare: Dimostra un'architettura "plug-and-play" dove agenti specializzati per la ricerca profonda (ad es. modelli fine-tuned) possono fungere da Sub-Agent, disaccoppiando la pianificazione dall'esecuzione.

4. Risultati Sperimentali

Sono stati condotti estesi esperimenti attraverso tre categorie di benchmark: GAIA/BrowseComp-ZH (Ricerca Profonda), WideSearch (Ricerca Ampia) e il benchmark curato di Ricerca Profonda-Ampia.

Superiorità delle Prestazioni: TaS supera significativamente i baseline allo stato dell'arte (inclusi Multi-Agent ReAct e sistemi commerciali come Gemini DeepResearch) in tutti e tre i paradigmi.
- Ricerca Profonda: Su GAIA, TaS con il modello efficiente nei costi Gemini-2.5-Flash ha superato il baseline Multi-Agent ReAct di +14.0%, dimostrando che la gestione strutturata dello stato può permettere a modelli più piccoli di competere con controparti più grandi.
- Ricerca Ampia: TaS con Claude-Sonnet-4 (No-Think) ha ottenuto Success Rate comparabili al baseline più pesante computazionalmente Claude-Sonnet-4 (Thinking), superandolo significativamente nelle metriche Max@4 (9.1% vs 6.5%).
- Ricerca Profonda-Ampia: TaS ha superato il sistema proprietario Gemini DeepResearch di +4.7% in Column-F1 e di +5.1% in Item-Precision.
Efficienza e Robustezza:
- Efficienza di Ricerca: TaS raggiunge prestazioni più elevate con volumi di utilizzo degli strumenti comparabili o inferiori rispetto ai baseline, provando che i guadagni derivano dalla qualità della pianificazione piuttosto che dalla scalabilità della ricerca tramite forza bruta.
- Robustezza: All'aumentare della complessità del compito (livello di difficoltà), il divario di prestazioni tra TaS e i baseline si amplia. TaS mantiene la stabilità nei livelli "Hard" dove i baseline subiscono un degrado significativo (>30% di calo).
- Scaling del Test-Time: TaS beneficia più efficacemente dell'aumento del calcolo dell'inferenza (scaling $N$ ) rispetto all'unstructured ReAct, con divari di prestazione che si allargano all'aumentare di $N$ .
Studi di Ablazione: Il Planner (Main-Agent) è identificato come il collo di bottiglia critico; il declassamento del planner causa cali significativi di prestazioni, mentre il declassamento dei Sub-Agent ha un impatto più lieve. Ciò conferma il ruolo del planner nell'orchestrare un'esplorazione efficace.

5. Significato e Rivendicazioni

Il documento afferma che TaS rappresenta un cambio di paradigma dalla generazione di testo non strutturato alla pianificazione strutturata centrata sui dati per i sistemi agentici.

Ortogonalità Architetturale: TaS è ortogonale ai recenti progressi nella gestione del contesto (ad es. riassunto) e nell'addestramento dei modelli (ad es. RL). Non si basa sulla compressione del testo, ma impone uno schema strutturato per scaricare il monitoraggio dello stato.
Scalabilità: Il framework dimostra che un'efficace ricerca informativa a lungo orizzonte dipende meno dalla capacità di ragionamento grezza del modello di base e più dalla gestione strutturata dello stato. Ciò consente a modelli più piccoli ed economici di eseguire compiti complessi quando accoppiati con l'architettura TaS.
Applicabilità Industriale: Disaccoppiando la pianificazione dall'esecuzione, TaS permette l'integrazione di modelli specializzati ed efficienti per azioni di ricerca ad alta frequenza, rendendolo una soluzione valida per applicazioni su scala industriale come lo Sviluppo Business nell'E-commerce.

Limitazioni Riconosciute:

Compiti Non di Ricerca: Lo schema strutturato può introdurre rigidità per compiti che si basano esclusivamente sulla conoscenza interna o sul semplice seguito di istruzioni, portando a fluttuazioni delle prestazioni in istanze GAIA non di ricerca.
Dipendenza dal Planner: Le prestazioni sono attualmente limitate dalla capacità di ragionamento del Planner centrale.
Scalabilità della Valutazione: Il benchmark DeepWide si affida alla verifica umana a causa della natura aperta dei compiti, il che limita la riproducibilità su larga scala rispetto ai benchmark a dominio chiuso.