Resumo Técnico: Table-as-Search (TaS)

1. Definição do Problema

Os atuais sistemas de Busca de Informação Agêntica (InfoSeeking), particularmente aqueles que dependem de Grandes Modelos de Linguagem (LLMs), enfrentam desafios significativos em exploração de longo horizonte. Paradigmas tradicionais como o ReAct gerenciam estados de busca (procedimentos de planejamento e resultados de busca massivos) dentro de um único contexto de texto plano não estruturado. Essa abordagem é inerentemente frágil para tarefas complexas, levando a:

• Fenômeno "Lost in the Middle" (Perdido no Meio): À medida que o horizonte de interação se expande, a densidade de informações relevantes se dilui, fazendo com que os agentes percam o rastro dos procedimentos de planejamento e do histórico de busca.
• Perda de Fidelidade de Estado: Rastrear milhares de resultados de busca e seus correspondentes passos de planejamento em uma única trajetória de texto leva a severas alucinações e propagação de erros.
• Ineficiência em Cenários Complexos: Agentes têm dificuldade em realizar simultaneamente a extração de informações e o rastreamento de estado dentro de um único passo de propagação (forward pass), particularmente em tarefas que exigem tanto agregação ampla quanto verificação profunda.

O artigo identifica uma lacuna no tratamento de três paradigmas distintos de InfoSeeking simultaneamente: Busca Profunda (filtragem precisa de alvos), Busca Ampla (agregação de informações abrangente) e a desafiadora Busca Profunda-Ampla (exploração ampla e verificação profunda simultâneas).

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

Para abordar essas limitações, os autores introduzem o Table-as-Search (TaS), um framework de planejamento estruturado que reformula a Busca de Informação como uma tarefa de Preenchimento de Tabela.

Arquitetura Central

• Esquema Estruturado: Em vez de geração de texto livre, o TaS mapeia uma consulta do usuário $q$ em um esquema estruturado $S = \langle K, C, I \rangle$, onde $K$ representa candidatos-chave, $C$ denota restrições e $I$ denota informações necessárias.
• Banco de Dados Externo: O framework mantém uma tabela estruturada em um banco de dados externo (ex: MongoDB). As linhas representam entidades candidatas e as colunas representam atributos ou restrições.
  • Células Preenchidas: Registram estritamente o histórico e os resultados da busca.
  • Células Vazias: Servem como um plano de busca explícito e pendente.
• Offloading (Descarregamento): Resultados de busca massivos são transferidos para o banco de dados externo, preservando a janela de contexto limitada do agente para raciocínio complexo em vez de armazenamento passivo de informação.

Orquestração Multi-Agente

O TaS é implementado via um sistema multi-agente centrado em um banco de dados compartilhado, executando um processo de três fases:

1. Inicialização da Tabela: Um Planejador (Agente Principal) analisa a consulta e constrói o esquema da tabela.
2. Orquestração Dinâmica: O Planejador seleciona ações iterativamente:
   • Expansão de Linha: Se os candidatos forem insuficientes, o Planejador formula diversas estratégias de busca para descobrir novos candidatos (Sub-Agentes realizam buscas amplas em paralelo).
   • População de Células: Se os candidatos existem, mas a informação está incompleta, Sub-Agentes são despachados em paralelo para popular células específicas (verificação de restrições ou coleta de informações).
3. Síntese de Resposta: Ao atingir um estado de saturação, o Planejador recupera evidências estruturadas do banco de dados para sintetizar a resposta final (ex: realizar a verificação cruzada de restrições para Busca Profunda ou executar consultas SQL para Busca Ampla).

Representação Unificada

O TaS fornece uma representação unificada para:

• Busca Profunda: Identificar uma linha de candidato única que satisfaça todas as restrições ($|C| > 0$).
• Busca Ampla: Coletar informações para candidatos massivos sob restrições mínimas ($|I| > 0$).
• Busca Profunda-Ampla: Maximizar a descoberta de candidatos sob restrições estritas seguida de coleta densa de informações ($|C| > 0, |I| > 0$).

3. Principais Contribuições

• Inovação de Framework: Propõe o TaS, o primeiro framework que reformula a Busca de Informação de longo horizonte como uma tarefa estruturada de Preenchimento de Tabela, unificando os paradigmas de busca Profunda, Ampla e Profunda-Ampla.
• Gestão de Estado: Introduz um mecanismo para gerenciar precisamente os estados de busca, separando "ações pendentes" (células vazias) de "histórico verificado" (células preenchidas), mitigando o problema do "perdido no meio".
• Criação de Benchmark: Curadoria de um benchmark desafiador de Busca Profunda-Ampla baseado em cenários reais de Desenvolvimento de Negócios de E-commerce, abordando a falta de avaliações de alta qualidade para tarefas de busca híbrida.
• Design Modular: Demonstra uma arquitetura "plug-and-play" onde agentes de busca profunda especializados (ex: modelos ajustados/fine-tuned) podem servir como Sub-Agentes, desacoplando o planejamento da execução.

4. Resultados Experimentais

Experimentos extensivos foram conduzidos através de três categorias de benchmark: GAIA/BrowseComp-ZH (Busca Profunda), WideSearch (Busca Ampla) e o benchmark curado de Busca Profunda-Ampla.

• Superioridade de Desempenho: O TaS supera significativamente os baselines de estado da arte (incluindo Multi-Agent ReAct e sistemas comerciais como Gemini DeepResearch) em todos os três paradigmas.
  • Busca Profunda: No GAIA, o TaS com o modelo de custo-eficiente Gemini-2.5-Flash superou o baseline Multi-Agent ReAct em +14,0%, demonstrando que a gestão de estado estruturada pode permitir que modelos menores rivalizem com contrapartes maiores.
  • Busca Ampla: O TaS com Claude-Sonnet-4 (No-Think) alcançou taxas de sucesso comparáveis ao baseline mais pesado computacionalmente, Claude-Sonnet-4 (Thinking), enquanto o superou significativamente em métricas Max@4 (9,1% vs. 6,5%).
  • Busca Profunda-Ampla: O TaS superou o sistema proprietário Gemini DeepResearch em +4,7% em Column-F1 e +5,1% em Item-Precision.
• Eficiência e Robustez:
  • Eficiência de Busca: O TaS atinge um desempenho superior com volumes de uso de ferramentas comparáveis ou menores do que os baselines, provando que os ganhos advêm da qualidade do planejamento e não de uma escala de força bruta de busca.
  • Robustez: À medida que a complexidade da tarefa (nível de dificuldade) aumenta, a lacuna de desempenho entre o TaS e os baselines se alarga. O TaS mantém a estabilidade em níveis "Hard", onde os baselines sofrem degradação significativa (>30% de queda).
  • Escalabilidade de Tempo de Teste (Test-Time Scaling): O TaS beneficia-se mais efetivamente do aumento do computação de inferência (escalonamento $N$) do que o ReAct não estruturado, com as lacras de desempenho aumentando conforme $N$ aumenta.
• Estudos de Ablação: O Planejador (Agente Principal) é identificado como o gargalo crítico; rebaixar o planejador causa quedas significativas de desempenho, enquanto rebaixar os Sub-Agentes tem um impacto mais suave. Isso confirma o papel do planejador na orquestração de uma exploração eficaz.

5. Significância e Alegações

O artigo afirma que o TaS representa uma mudança de paradigma da geração de texto não estruturado para o planejamento estruturado centrado em dados para sistemas agênticos.

• Ortogonalidade Arquitetural: O TaS é ortogonal aos avanços recentes em gestão de contexto (ex: sumarização) e treinamento de modelos (ex: RL). Ele não depende da compressão de texto, mas sim impõe um esquema estruturado para descarregar o rastreamento de estado.
• Escalabilidade: O framework demonstra que uma busca de informação de longo horizonte eficaz depende menos da capacidade de raciocínio bruto do modelo de fundação e mais da gestão de estado estruturada. Isso permite que modelos menores e mais econômicos realizem tarefas complexas quando pareados com a arquitetura TaS.
• Aplicabilidade Industrial: Ao desacoplar o planejamento da execução, o TaS permite a integração de modelos especializados e de baixo custo para ações de busca de alta frequência, tornando-o uma solução viável para aplicações de escala industrial, como o Desenvolvimento de Negócios de E-commerce.

Limitações Reconhecidas:

• Tarefas Não-Busca: O esquema estruturado pode introduzir rigidez para tarefas que dependem apenas de conhecimento interno ou seguimento simples de instruções, levando a flutuações de desempenho em instâncias GAIA não relacionadas à busca.
• Dependência do Planejador: O desempenho é atualmente limitado pela capacidade de raciocínio do Planejador central.
• Escalabilidade de Avaliação: O benchmark de Busca Profunda-Ampla depende de verificação humana devido à natureza aberta das tarefas, o que limita a reprodutibilidade em larga escala em comparação com benchmarks de domínio fechado.