💬 NLP

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

Dit artikel introduceert Table-as-Search (TaS), een gestructureerd framework dat langdurige informatiezoektochten herformuleert als een tabel-aanvullingsopgave om de zoekcoherentie en statusbewaking te behouden, waardoor diverse zoekstrategieën worden verenigd en de huidige state-of-the-art baselines aanzienlijk worden overtroffen in zowel robuustheid als efficiëntie.

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

Gepubliceerd 2026-02-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Probleem: De "Verloren in het Midden" Agent

Stel je voor dat je een zeer slimme maar ietwat vergeetachtige onderzoeksassistent (een AI-agent) inhuurt om specifieke informatie op het internet te vinden. Je stelt een complexe vraag, zoals: "Vind voor mij 30 winkels voor huisdierbenodigdheden in Noord-Amerika die vorig jaar met meer dan 50% zijn gegroeid, en krijg het telefoonnummer van hun verkoopmanager."

Huidige AI-assistenten proberen dit te doen door in hun hoofd een lang, doorlopend verhaal te schrijven. Ze denken: "Ik ga op zoek naar Winkel A, dan Winkel B, dan controleer ik hun groei..." Naarmate ze dieper graven, wordt dit mentale "verhaal" enorm groot. Uiteindelijk raakt de assistent overweldigd. Ze vergeten het begin van het verhaal, raken de controle kwijt over welke winkels ze al hebben gecontroleerd, of raken in de war door de enorme hoeveelheid aantekeningen. In het paper wordt dit "lost in the middle" genoemd. Ze vinden misschien de juiste winkels, maar vergeten de telefoonnummers op te vragen, of ze verzinnen (hallucineren) feiten omdat hun "geheugen" te rommelig is.

De Oplossing: Het "Table-as-Search" (TaS) Framework

De auteurs stellen een nieuwe manier voor om dit werk te organiseren. In plaats van een lang, rommelig verhaal te schrijven, veranderen ze de onderzoeksopdracht in het invullen van een spreadsheet (een tabel).

Denk er zo over na:

De Oude Manier: Proberen een boodschappenlijstje te onthouden terwijl je door een gigantische magazijn loopt, hopend dat je de melk of de eieren niet vergeet.
De Nieuwe Manier (TaS): Je hebt een klembord met een raster. Elke keer als je een product vindt, schrijf je het in een specifiek vakje. Als een vakje leeg is, weet je precies wat je nog moet vinden.

Hoe het werkt: De Drie Rollen

Het systeem gebruikt een team van AI-"agents" die samenwerken rondom deze digitale spreadsheet:

De Planner (De Manager): Deze AI bekijkt de vraag van de gebruiker en zet de spreadsheet op. Het bepaalt welke kolommen nodig zijn (bijv. "Winkelnaam", "Groeipercentage", "Telefoonnummer"). Het kijkt naar de lege vakjes en zegt: "Oké, we moeten 30 winkels vinden om deze rijen in te vullen."
De Sub-Agents (De Werkers): Dit zijn de zoekmachines. De Manager stuurt hen uit om kandidaten te vinden.
- Row Expansion (Rij-uitbreiding): Als de tabel nog niet genoeg winkels bevat, gaan de werkers op pad om nieuwe winkels te vinden om als nieuwe rijen toe te voegen.
- Cell Population (Cel-invulling): Als een winkel is gevonden maar het vakje "Telefoonnummer" is leeg, gaan de werkers specifiek op zoek naar dat ene stukje informatie om dat specifieke vakje in te vullen.
De Externe Database (De Archiefkast): In plaats van te proberen alle zoekresultaten in het korte-termijngeheugen van de AI te houden (dat beperkt is), leeft de spreadsheet in een externe database. De AI kijkt alleen naar de delen van de tabel die hij op dat moment nodig heeft. Dit houdt het "brein" van de AI helder voor het denken, in plaats van alleen voor het opslaan van data.

Wat ze hebben getest

Het paper testte deze methode op drie soorten moeilijke zoektaken:

Deep Search (Diepe Zoektocht): Het vinden van één specifieke speld in een hooiberg (bijv. "Vind de ene zanger die aan deze 5 specifieke criteria voldoet").
Wide Search (Brede Zoektocht): Het vinden van een enorme stapel naalden (bijv. "Lijst elke winnaar van een prijs op van 2005 tot 2015").
DeepWide Search (Diep-Brede Zoektocht): De moeilijkste van het stel. Een enorme stapel naalden vinden en verifiëren dat elk exemplaar aan strikte regels voldoet (bijv. "Vind 30 winkels die aan deze 5 regels voldoen EN krijg hun telefoonnummer").

De Resultaten: Waarom het beter is

Het paper beweert dat TaS aanzienlijk beter is dan de huidige state-of-the-art methoden (zoals de standaard "ReAct"-methode die door veel grote AI-bedrijven wordt gebruikt).

Het raakt niet de weg kwijt: Omdat de tabel bijhoudt wat er precies gedaan is en wat er nog ontbreekt, raakt de AI het plan nooit kwijt, zelfs niet tijdens zeer lange zoektochten.
Het is efficiënter: Het vond betere antwoorden met minder zoekpogingen dan de concurrentie. Het had geen brute kracht nodig; het was precies.
Het werkt met kleinere breinen: Verrassend genoeg versloeg een kleiner, goedkoper AI-model dat deze "Tabel"-methode gebruikt een veel groter, duurder AI-model dat de oude "Verhaal"-methode gebruikt. De structuur hielp het kleinere model om boven zijn gewichtsklasse te presteren.
Het is flexibel: De "Manager" kan de "Werkers" vervangen. Als je een gespecialiseerde tool hebt voor het vinden van telefoonnummers, kun je die erin pluggen zonder het hele systeem te breken.

In een Notendop

Het paper beargumenteert dat wanneer AI-agents op lange, complexe internet-speurtochten gaan, ze niet moeten vertroukken op een rommelige stroom van bewustzijn. In plaats daarvan zouden ze een gestructureerde tabel moeten gebruiken om hun aantekeningen georganiseerd te houden. Deze eenvoudige verandering voorkomt dat ze in de war raken, helpt hen om nauwkeurigere antwoorden te vinden en stelt hen in staat om meer te doen met minder rekenkracht.

Technische Samenvatting: Table-as-Search (TaS)

1. Probleemdefinitie

Huidige Agentic Information Seeking (InfoSeeking) systemen, met name diegenen die vertrouwen op Large Language Models (LLM's), worden geconfronteerd met aanzienlijke uitdagingen in long-horizon exploratie. Traditionele paradigma's zoals ReAct beheren zoekstatussen (planningsprocedures en massale zoekresultaten) binnen een enkele, ongestructureerde platte tekstcontext. Deze aanpak is inherent fragiel voor complexe taken, wat leidt tot:

"Lost in the Middle" Fenomeen: Naarmate de interactiehorizon uitbreidt, verwatert de dichtheid van relevante informatie, waardoor agenten het overzicht verliezen over planningsprocedures en zoekgeschiedenis.
Verlies van State Fidelity: Het bijhouden van duizenden zoekresultaten en de bijbehorende planningsstappen in één enkele teksttrajectie leidt tot ernstige hallucinaties en foutpropagatie.
Inefficiëntie in Complexe Scenario's: Agenten hebben moeite om gelijktijdig informatie-extractie en state-tracking uit te voeren binnen een enkele forward pass, met name in taken die zowel brede aggregatie als diepe verificatie vereisen.

Het artikel identificeert een gat in het afhandelen van drie verschillende InfoSeeking-paradigma's tegelijkertijd: Deep Search (precieze doelwitfiltering), Wide Search (brede informatieaggregatie) en de uitdagende DeepWide Search (gelijktijdige brede exploratie en diepe verificatie).

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

Om deze beperkingen aan te pakken, introduceren de auteurs Table-as-Search (TaS), een gestructureerd planningsframework dat InfoSeeking herformuleert als een Table Completion taak.

Kernarchitectuur

Gestructureerd Schema: In plaats van vrije tekstgeneratie, mapt TaS een gebruikersquery $q$ naar een gestructureerd schema $S = \langle K, C, I \rangle$ , waarbij $K$ de sleutel-kandidaten vertegenwoordigt, $C de restricties (constraints) aangeeft en $I de vereiste informatie vormt.
Externe Database: Het framework onderhoudt een gestructureerde tabel in een externe database (bijv. MongoDB). Rijen representeren kandidaat-entiteiten en kolommen representeren attributen of restricties.
- Ingevulde Cellen: Legen strikt de zoekgeschiedenis en resultaten vast.
- Lege Cellen: Dienen als een expliciet, lopend zoekplan.
Offloading: Massale zoekresultaten worden geoffload naar de externe database, waardoor het beperkte contextvenster van de agent wordt vrijgehouden voor complexe redenering in plaats van passieve informatieopslag.

Multi-Agent Orchestratie

TaS wordt geïmplementeerd via een multi-agent systeem gecentreerd rond een gedeelde database, dat een driefasig proces uitvoert:

Tabel Initialisatie: Een centrale Planner (Main-Agent) parseert de query en construeert de tabelstructuur.
Dynamische Orchestratie: De Planner selecteert iteratief acties:
- Row Expansion: Als er onvoldoende kandidaten zijn, formuleert de Planner diverse zoekstrategieën om nieuwe kandidaten te ontdekken (Sub-Agents voeren parallelle brede zoekopdrachten uit).
- Cell Population: Als er kandidaten aanwezig zijn maar de informatie incompleet is, worden Sub-Agents parallel uitgestuurd om specifieke cellen te vullen (restrictie-verificatie of informatieverzameling).
Answer Synthesis: Bij het bereiken van een verzadigde staat haalt de Planner gestructureerd bewijs uit de database om het definitieve antwoord te synthetiseren (bijv. het kruisverifiëren van restricties voor Deep Search of het uitvoeren van SQL-queries voor Wide Search).

Verenigde Representatie

TaS biedt een verenigde representatie voor:

Deep Search: Het identificeren van een unieke kandidaat-rij die aan alle restricties voldoet ( $|C| > 0$ ).
Wide Search: Het verzamelen van informatie voor een enorme hoeveelheid kandidaten onder minimale restricties ( $|I| > 0$ ).
DeepWide Search: Het maximaliseren van kandidaat-ontdekking onder strikte restricties, gevolgd door eenense informatieverzameling ( $|C| > 0, |I| > 0$ ).

3. Belangrijkste Bijdragen

Framework Innovatie: Stelt TaS voor, het eerste framework dat long-horizon InfoSeeking herformuleert als een gestructureerde Table Completion taak, waarbij Deep, Wide en DeepWide zoekparadigma's worden verenigd.
State Management: Introduceert een mechanisme om zoekstatussen nauwkeurig te beheren door "lopende acties" (lege cellen) te scheiden van "geverifieerde geschiedenis" (ingevulde cellen), wat het "lost in the middle" probleem mitigeert.
Benchmark Creatie: Heeft een uitdagende DeepWide Search benchmark samengesteld op basis van real-world E-commerce Business Development scenario's, waarmee wordt ingegaan op het gebrek aan publieke hoogwaardige evaluaties voor hybride zoektaken.
Modulair Ontwerp: Demonstreert een "plug-and-play" architectuur waarbij gespecialiseerde deep search agents (bijv. fine-tuned modellen) als Sub-Agents kunnen dienen, waardoor planning en uitvoering worden ontkoppeld.

4. Experimentele Resultaten

Uitgebreide experimenten werden uitgevoerd over drie benchmarkcategorieën: GAIA/BrowseComp-ZH (Deep Search), WideSearch (Wide Search) en de samengestelde DeepWide Search benchmark.

Prestatie-superieuriteit: TaS presteert significant beter dan state-of-the-art baselines (inclusclusief Multi-Agent ReAct en commerciële systemen zoals Gemini DeepResearch) over alle drie de paradigma's.
- Deep Search: Op GAIA overtrof TaS met het kostenefficiënte Gemini-2.5-Flash de Multi-Agent ReAct baseline met +14.0%, wat aantoont dat gestructureerd state management kleinere modellen in staat stelt om grotere tegenhangers te evenaren.
- Wide Search: TaS met Claude-Sonnet-4 (No-Think) behaalde vergelijkbare Success Rates als de computationeel zwaardere Claude-Sonnet-4 (Thinking) baseline, terwijl het die laatste aanzienlijk overtrof in Max@4 metrieken (9.1% vs. 6.5%).
- DeepWide Search: TaS presteerde beter dan het propriëtaire Gemini DeepResearch systeem met +4.7% in Column-F1 en +5.1% in Item-Precision.
Efficiëntie en Robuustheid:
- Zoekefficiëntie: TaS bereikt een hogere prestatie met een vergelijkbaar of lager volume aan tool-gebruik vergeleken met baselines, wat bewijst dat de winst voortkomt uit de kwaliteit van de planning in plaats van brute-force schaling van de zoekopdracht.
- Robuustheid: Naarmate de taakcomplexiteit (moeilijkheidsgraad) toeneemt, wordt het prestatieverschil tussen TaS en baselines groter. TaS behoudt stabiliteit in "Hard" niveaus waar baselines significante degradatie vertonen (>30% daling).
- Test-Time Scaling: TaS profiteert effectiever van toegenomen inference compute (schalen van $N$ ) dan ongestructureerde ReAct, waarbij de prestatiekloof groter wordt naarmate $N$ toeneemt.
Ablatie-studies: De Planner (Main-Agent) wordt geïdentificeerd als de kritieke bottleneck; het downgraden van de planner veroorzaakt significante prestatiedalingen, terwijl het downgraden van Sub-Agents een minder grote impact heeft. Dit bevestigt de rol van de planner in het orkestreren van effectieve exploratie.

5. Betekenis en Claims

Het artikel claimt dat TaS een paradigmaverschuiving vertegenwoordigt van ongestructureerde tekstgeneratie naar data-centrische gestructureerde planning voor agentic systemen.

Architecturale Orthogonaliteit: TaS is orthogonaal aan recente ontwikkelingen in contextmanagement (bijv. samenvatting) en modeltraining (bijv. RL). Het vertrouwt niet op het comprimeren van tekst, maar legt een gestructureerd schema op om state-tracking te offloaden.
Schaalbaarheid: Het framework demonstreert dat effectieve long-horizon InfoSeeking minder afhankelijk is van het ruwe redeneervermogen van het fundamentele model en meer van gestructureerd state management. Dit maakt het mogelijk dat kostenefficiënte, kleinere modellen complexe taken kunnen uitvoeren wanneer ze gekoppeld worden aan de TaS-architectuur.
Industriële Toepasbaarheid: Door planning te ontkoppelen van uitvoering, maakt TaS de integratie van gespecialiseerde, kostenefficiënte modellen voor hoogfrequente zoekacties mogelijk, wat het een levensvatbare oplossing maakt voor industriële toepassingen op grote schaal, zoals E-commerce Business Development.

Erkende Beperkingen:

Niet-zoektaken: Het gestructureerde schema kan rigiditeit introduceren voor taken die uitsluitend vertrouwen op interne kennis of eenvoudige instructie-opvolging, wat leidt tot prestatieschommelingen in niet-zoek gerelateerde GAIA instanties.
Planner Afhankelijkheid: Prestaties zijn momenteel begrensd door het redeneervermogen van de centrale Planner.
Evaluatie Schaalbaarheid: De DeepWide benchmark vertrouwt op menselijke verificatie vanwege de open einde aard van de taken, wat de grootschalige reproduceerbaarheid beperkt in vergelijking met closed-domain benchmarks.