SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration
Dit artikel introduceert SearchOS, een robuust multi-agent framework dat open-domein informatiezoektochten verbetert door taakvoortgang te externaliseren naar een gedeelde staat via Search-Oriented Context Management, gebruikmakend van pipeline-parallel scheduling om efficiëntie te maximaliseren, en een middleware harness met hiërarchische vaardigheden in te zetten om repetitieve zoeklussen te voorkomen en de bewijskracht te verbeteren.
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
Stel je voor dat je een detective bent die een enorme mysterie probeert op te lossen, maar in plaats van één enkel notitieblok, heb je een team van junior-detectives. In de wereld van kunstmatige intelligentie worden deze "detectives" agents genoemd. Het zijn slimme computerprogramma's die met het internet kunnen communicen, websites kunnen lezen en informatie kunnen verzamelen om je vragen te beantwoorden. Lange tijd waren deze agents als detectives die steeds vergaten wat ze al hadden gevonden. Naarmate het mysterie groter werd, raakten ze in de war, herhaalden ze steeds dezelfde vragen of kwamen ze in een loop terecht, waardoor ze tijd en energie verspilden. Ze hadden geen manier om een gedeeld, georganiseerd verslag van hun voortgang bij te houden.
Om dit op te lossen, bouwen onderzoekers betere manieren waarop deze agents kunnen samenwerken. Ze gebruiken een concept genaamd Large Language Models (denk aan superintelligente breinen die kunnen lezen en schrijven) en geven ze tools om het web te doorzoeken. De grote uitdaging zijn long-horizon tasks: dit zijn complexe taken die vereisen dat er honderden feiten worden verzameld, gecontroleerd of ze overeenstemmen en ze perfect worden georganiseerd. Als de agents het "grote plaatje" uit het oog verliezen, wordt het uiteindelijke antwoord rommelig of incompleet. Dit artikel pakt precies dat probleem aan: hoe zorgen we ervoor dat deze digitale detectives niet verdwalen in hun eigen werk en hoe helpen we hen om samen te werken als een goed geoliede machine?
Het Probleem: De "Vergetelijke Detective"-loop
Stel je voor dat jij en je vrienden proberen een gigantisch Lego-kasteel te bouwen op basis van een vage handleiding. Jullie beginnen allemaal met het pakken van blokjes, maar niemand houdt een lijst bij van wat er al gevonden is. Eén vriend blijft zoeken naar een rode 2x4 brick, ook al heeft een andere vriend die tien minuten geleden al heeft gevonden. Een andere vriend zit vastgeklemd bij het proberen te openen van een deur die op slot zit, en blijft er herhaaldelijk tegenaan te beuken in plaats van een andere deur te proberen.
Dit is wat er gebeurt bij huidige AI-zoekagents. Terwijl ze proberen complexe vragen te beantwoorden, verliezen ze de controle over hun voortgang. Ze raken gevangen in repetitieve loops, waarbij ze hun "zoekbudget" (hun tijd en rekenkracht) verspillen aan doodlopende wegen. Ze kunnen belangrijke feiten missen omdat het bewijs begraven is geraakt in een lange chatgeschiedenis, of ze kunnen met elkaar in discussie gaan omdat ze geen gedeelde kaart hebben van wat bekend is en wat nog ontbreekt. Het simpelweg toevoegen van meer agents lost dit niet op; het creëert alleen maar meer chaos, waarbij iedereen in de weg loopt van de ander.
De Oplossing: SearchOS, het "Besturingssysteem" voor Zoeken
De auteurs introduceren SearchOS, een nieuw framework dat fungeert als een centraal commando centrum of een "besturingssysteem" voor deze zoekagents. In plaats van de agents te laten vertrouwen op hun vervagende geheugen, dwingt SearchOS hen om alles op te schrijven in een gedeeld, georganiseerd notitieblok dat nooit verloren gaat.
Zo werkt het, met behulp van enkele leuke analogieën:
1. Het Meesterontwerp (Relational Schema)
In plaats van alleen een vage vraag te stellen zoals "Vertel me over bedrijven", verandert SearchOS de taak in het invullen van een gigantische, gestructureerde spreadsheet. Stel je een detectiebord voor waar je specifieke kolommen hebt voor "Bedrijfsnaam", "CEO", "Omzet" en "Opgericht in Jaar". De taak van de agents is niet alleen om "informatie te vinden"; het is om elke lege cel in deze spreadsheet in te vullen. Als een cel leeg is, weet het systeem precies wat er ontbreekt. Dit verandert een rommelige, open eind zoektocht in een helder, meetbaar spel van "invullen van de witjes".
2. Het Gedeelde Commando-centrum (SOCM)
Dit is het hart van SearchOS. Het is een Search-Oriented Context Management-systeem dat fungeert als een gedeeld brein voor het hele team. Het houdt vier cruciale zaken in realtime bij:
- De Frontier Task List: Een to-do lijst van precies welke spreadsheet-cellen nog leeg zijn.
- De Evidence Graph: Een kaart van elk gevonden feit, direct gekoppeld aan de website waar het vandaan kwam (zodat je de bron kunt controleren).
- De Coverage Map: Een visueel dashboard dat laat zien welke delen van de spreadsheet zijn ingevuld, welke onzeker zijn en welke ontbreken.
- Failure Memory: Een "probeer dit niet opnieuw"-lijst. Als een agent een zoekopdracht uitvoert en deze mislukt (zoals een kapotte website), vertelt dit geheugen de andere agents: "Verspil daar geen tijd aan; het is een doodlopende weg."
3. De Lopende Band (Pipeline-Parallel Scheduling)
Oude systemen lieten agents vaak op elkaar wachten, zoals een rij mensen die wachten bij een enkele kassa. SearchOS gebruikt pipeline-parallel scheduling. Stel je een fabriekslopende band voor: zodra één agent een taak voltooit en een plek vrijmaakt, geeft het systeem onmiddellijk een nieuwe taak aan de volgende beschikbare agent. Niemand zit stil te wachten. Als één agent traag is, werken de anderen door aan andere delen van de spreadsheet. Dit maakt het hele team veel sneller en efficiënter.
4. De Scheidsrechter (Middleware Harness)
Soms blijven agents in een loop hangen of raken ze door hun tijd heen. SearchOS heeft een Search Tool Middleware Harness die fungeert als een strikte scheidsrechter. Het houdt elke beweging van de agents in de gaten. Als het ziet dat een agent tegen een gesloten deur beukt (een mislukte zoekopdracht) of steeds dezelfde vraag stelt, grijpt de scheidsrechter in, stopt de agent en geeft hem een nieuwe strategie. Het zorgt er ook voor dat elk feit dat de agent vindt "gegrond" is (gekoppeld aan een echte bron) voordat het in het definitieve rapport wordt geschreven.
5. De Gereedschapskist (Hierarchical Skills)
SearchOS komt met een bibliotheek van vooraf gemaakte skills. Denk aan deze als gespecialiseerde tools in een detective-kit. Sommige tools zijn voor algemeen zoeken (zoals "hoe stel je een goede vraag"), terwijl andere specifiek zijn voor bepaalde websites (zoals "hoe navigeer je door een overheidsdatabase"). Het systeem leert de agents hoe ze deze tools moeten gebruiken, zodat ze het wiel niet telkens opnieuw hoeven uit te vinden wanneer ze een nieuwe site bezoeken.
Wat Ze Vonden: De Resultaten
De onderzoekers testten SearchOS op twee moeilijke benchmarks genaamd WideSearch en GISA. Deze tests bevatten complexe vragen die het verzamelen van veel feiten uit verschillende bronnen vereisen.
De resultaten waren indrukwekkend. SearchOS versloeg alle andere methoden die ze testten, inclusits single-agent systemen en andere multi-agent teams.
- Op de WideSearch-test behaalde het een Item-level F1-score van 80,3, wat de hoogste was van alle methoden.
- Op de GISA-test scoorde het 76,5 op de Set F1-metriek, waarmee het de op één na beste methode met een enorme marge van 13,4 punten versloeg.
Het paper suggereert dat door agents te dwingen te werken vanuit een gedeelde, expliciete staat (de spreadsheet en de kaarten) in plaats van te vertrouwen op hun interne geheugen, het systeem veel betrouwbaarder wordt. Het vindt meer feiten (betere recall) zonder meer fouten te maken (behoud van hoge precisie).
Waarom Het Er Toe Doet
Dit gaat niet alleen over het sneller maken van AI; het gaat over het betrouwbaar maken van AI. Wanneer een AI diepe research uitvoert, moet je weten dat hij geen cruciaal feit heeft gemist of een getal heeft verzonnen. SearchOS biedt een manier om precies te zien wat de AI weet, wat hij niet weet en waar hij mogelijk vastloopt. Het verandert het chaotische proces van het doorzoeken van het internet in een gestructureerd, observeerbaar en samenwerkend proces.
De auteurs suggereren dat deze aanpak — het behandelen van zoeken als een stateful, collaboratief proces met een gedeeld "besturingssysteem" — een grote stap voorwaarts is voor het bouwen van agents die complexe, real-world researchtaken kunnen afhandelen zonder de weg kwijt te raken in de ruis. Ze hebben niet alleen een betere zoekmachine gebouwd; ze hebben een betere manier gebouwd voor AI-agents om als een team samen te werken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.