🤖 AI

SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration

Este artigo apresenta o SearchOS, um framework multiagente robusto que aprimora a busca de informações de domínio aberto ao externalizar o progresso da tarefa em um estado compartilhado por meio de Gerenciamento de Contexto Orientado à Busca, empregando escalonamento de paralelismo de pipeline para maximizar a eficiência e utilizando um suporte de middleware com habilidades hierárquicas para evitar loops de busca repetitivos e melhorar a cobertura de evidências.

Autores originais: Yuyao Zhang, Junjie Gao, Zhengxian Wu, Jiaming Fan, Jin Zhang, Shihan Ma, Yao Yao, Weiran Qi, Chuyan Jin, Guiyu Ma, Xingzhong Xu, Kai Yang, Ji-Rong Wen, Zhicheng Dou

Publicado 2026-07-17

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yuyao Zhang, Junjie Gao, Zhengxian Wu, Jiaming Fan, Jin Zhang, Shihan Ma, Yao Yao, Weiran Qi, Chuyan Jin, Guiyu Ma, Xingzhong Xu, Kai Yang, Ji-Rong Wen, Zhicheng Dou

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério enorme, mas em vez de um único caderno, você tem uma equipe de detetives juniores. No mundo da inteligência artificial, esses "detetives" são chamados de agentes. Eles são programas de computador inteligentes que podem conversar com a internet, ler sites e reunir informações para responder às suas perguntas. Por muito tempo, esses agentes foram como detetives que esqueciam o que já haviam encontrado. À medida que o mistério ficava maior, eles ficavam confusos, repetiam as mesmas perguntas repetidamente ou ficavam presos em um loop, desperdiçando tempo e energia. Eles não tinham uma forma de manter um registro compartilhado e organizado de seu progresso.

Para resolver isso, pesquisadores estão construindo maneiras melhores de fazer esses agentes trabalharem juntos. Eles utilizam o conceito de Modelos de Linguagem de Grande Escala (pense neles como cérebros superinteligentes que conseguem ler e escrever) e lhes dam ferramentas para pesquisar na web. O grande desafio são as tarefas de longo horizonte: trabalhos complexos que exigem a coleta de centenas de fatos, a verificação se eles coincidem e a organização perfeita de tudo. Se os agentes perderem o rastro do "quadro geral", a resposta final torna-se bagunçada ou incompleta. Este artigo aborda exatamente esse problema: como impedir que esses detetives digitais se percam em seu próprio trabalho e ajudá-los a colaborar como uma máquina bem lubrificada?

O Problema: O Loop do "Detetive Esquecido"

Imagine que você e seus amigos estão tentando construir um castelo gigante de Lego baseado em um manual de instruções vago. Todos vocês começam a pegar peças, mas ninguém está mantendo uma lista do que já encontrou. Um amigo continua procurando por um tijolo vermelho 2x4 mesmo que outro amigo o tenha encontrado dez minutos atrás. Outro amigo fica preso tentando abrir uma porta que está trancada, batendo nela repetidamente em vez de tentar outra porta.

É isso que acontece com os atuais agentes de busca de IA. Ao tentarem responder a perguntas complexas, eles perem o rastro de seu progresso. Eles ficam presos em loops repetitivos, desperdiçando seu "orçamento de busca" (seu tempo e poder de computação) em becos sem saída. Eles podem perder fatos importantes porque a evidência ficou enterrada em um longo histórico de chat, ou podem discutir entre si porque não possuem um mapa compartilhado do que é conhecido e do que está faltando. Simplesmente adicionar mais agentes não resolve isso; apenas cria mais caos, com todos pisando no pé uns dos outros.

A Solução: SearchOS, o "Sistema Operacional" para Busca

Os autores apresentam o SearchOS, um novo framework que atua como um centro de comando central ou um "sistema operacional" para esses agentes de busca. Em vez de deixar os agentes dependerem de suas memórias falhas, o SearchOS os obriga a escrever tudo em um caderno compartilhado e organizado que nunca se perde.

Aqui está como funciona, usando algumas analogias divertidas:

1. O Plano Mestre (Esquema Relacional)
Em vez de apenas fazer uma pergunta vaga como "Fale sobre empresas", o SearchOS transforma a tarefa em preencher uma planilha gigante e estruturada. Imagine um quadro de detetive onde você tem colunas específicas para "Nome da Empresa", "CEO", "Receita" e "Ano de Fundação". O trabalho dos agentes não é apenas "encontrar informações"; é preencher cada célula vazia desta planilha. Se uma célula estiver vazia, o sistema sabe exatamente o que está faltando. Isso transforma uma busca desordenada e aberta em um jogo claro e mensurável de "preencher as lacunas".

2. O Centro de Comando Compartilhado (SOCM)
Este é o coração do SearchOS. É um sistema de Gerenciamento de Contexto Orientado à Busca que atua como um cérebro compartilhado para toda a equipe. Ele mantém quatro elementos críticos atualizados em tempo real:

A Lista de Tarefas da Fronteira: Uma lista de afazeres de quais células da planilha ainda estão vazias.
O Grafo de Evidências: Um mapa de cada fato encontrado, vinculado diretamente ao site de onde ele veio (para que você possa verificar a fonte).
O Mapa de Cobertura: Um painel visual mostrando quais partes da planilha estão preenchidas, quais são incertas e quais estão faltando.
Memória de Falha: Uma lista de "não tente isso novamente". Se um agente tenta uma busca e ela falha (como um site quebrado), esta memória diz aos outros agentes: "Não perca tempo tentando isso de novo; é um beco sem saída".

3. A Linha de Montagem (Escalonamento de Paralelismo de Pipeline)
Sistemas antigos frequentemente faziam os agentes esperarem uns pelos outros, como uma fila de pessoas esperando por um único caixa. O SearchOS utiliza o escalonamento de paralelismo de pipeline. Imagine uma linha de montagem de uma fábrica: assim que um agente termina uma tarefa e libera um espaço, o sistema imediatamente entrega uma nova tarefa ao próximo agente disponível. Ninguém fica ocioso. Se um agente é lento, os outros continuam trabalhando em diferentes partes da planilha. Isso torna toda a equipe muito mais rápida e eficiente.

4. O Árbitro (Middleware Harness)
Às vezes, os agentes ficam presos em um loop ou ficam sem tempo. O SearchOS possui um Middleware Harness de Ferramentas de Busca que atua como um árbitro rigoroso. Ele observa cada movimento dos agentes. Se ele vê um agente batendo em uma porta trancada (uma busca falha) ou repetindo a mesma pergunta, o árbitro intervém, interrompe o agente e fornece uma nova estratégia. Ele também garante que cada fato que o agente encontra seja "fundamentado" (vinculado a uma fonte real) antes de ser escrito no relatório final.

5. A Caixa de Ferramentas (Habilidades Hierárquicas)
O SearchOS vem com uma biblioteca de habilidades pré-fabricadas. Pense nelas como ferramentas especializadas no kit de um detetive. Algumas ferramentas são para buscas gerais (como "como fazer uma boa pergunta"), enquanto outras são específicas para certos sites (como "como navegar em um banco de dados governamental"). O sistema ensina os agentes a usar essas ferramentas para que não precisem reinventar a roda toda vez que visitarem um novo site.

O Que Eles Descobriram: Os Resultados

Os pesquisadores testaram o SearchOS em dois benchmarks difíceis chamados WideSearch e GISA. Esses testes envolvem perguntas complexas que exigem a coleta de muitos fatos de diferentes fontes.

Os resultados foram impressionantes. O SearchOS venceu todos os outros métodos testados, incluindo sistemas de agente único e outras equipes de múltiplos agentes.

No teste WideSearch, ele alcançou um F1 score de nível de item de 80,3, o mais alto entre todos os métodos.
No teste GISA, ele pontuou 76,5 na métrica Set F1, superando o segundo melhor sistema por uma margem enorme de 13,4 pontos.

O artigo sugere que, ao forçar os agentes a trabalhar a partir de um estado compartilhado e explícito (a planilha e os mapas) em vez de depender de suas memórias internas, o sistema torna-se muito mais confiável. Ele encontra mais fatos (melhor recall) sem cometer mais erros (mantendo alta precisão).

Por Que Isso Importa

Isso não é apenas sobre tornar a IA mais rápida; é sobre tornar a IA confiável. Quando uma IA está realizando uma pesquisa profunda, você precisa saber que ela não perdeu um fato crucial ou inventou um número. O SearchOS oferece uma maneira de ver exatamente o que a IA sabe, o que ela não sabe e onde ela pode estar travada. Ele transforma o processo caótico de pesquisar na internet em um esforço estruturado, observável e colaborativo.

Os autores sugerem que essa abordagem — tratar a busca como um processo colaborativo e com estado, utilizando um "sistema operacional" compartilhado — é um grande passo à frente para a construção de agentes que possam lidar com tarefas de pesquisa complexas do mundo real sem se perderem no ruído. Eles não construíram apenas um buscador melhor; eles construíram uma maneira melhor de agentes de IA trabalharem juntos como uma equipe.

Resumo Técnico: SearchOS-V1

Declaração do Problema

Avanços recentes em Modelos de Linguagem de Grande Escala (LLMs) integrados a ferramentas permitiram que agentes de busca de informação realizem pesquisa web e raciocínio iterativos. No entanto, à medida que os históricos de interação se expandem durante tarefas de longo horizonte, os agentes enfrentam dificuldades para rastrear o progresso, levando a vários modos críticos de falha:

Perda de Estado: Agentes perdem o rastro de fatos estabelecidos versus lacunas não resolvidas conforme a evidência é enterrada no contexto.
Loops Repetitivos: Quando caminhos de busca não geram informações úteis, os agentes frequentemente repetem consultas semelhantes ou exploram becos sem saída, desperdiçando orçamentos de busca.
Colaboração Ineficiente: Em sistemas multiagentes, trabalhadores paralelos podem duplicar esforços, discordar de definições de campos ou deixar slots de execução ociosos enquanto aguardam a tarefa mais lenta.
Gestão de Estado Frágil: Agentes convencionais tratam planos, progresso e falhas como conteúdo de conversa transitório, em vez de estado de sistema persistente.

O problema central é a falta de um mecanismo de nível de sistema para externalizar o estado da busca, tornando o progresso explícito, persistente e compartilhado entre agentes para evitar redundância e garantir robustez.

Metodologia

Os autores introduzem o SearchOS, um framework multiagente de nível de sistema projetado para transformar o progresso de busca frágil e implícito em um estado explícito e compartilhado. A metodologia é construída sobre quatro pilares:

1. Formulação de Busca Relacional

O sistema reformula a busca de informação de domínio aberto como completão de esquema relacional com citações fundamentadas.

Esquema: As tarefas são modeladas como um conjunto de tabelas conectadas por relações de chave primária-chave estrangeira.
Objetivo: O sistema deve descobrir linhas de entidades, popular valores de atributos e manter uma matriz de citações vinculando cada valor a uma URL de origem específica e um trecho ancorado.
Benefício: Isso converte solicitações de domínio aberto em alvos de busca concretos e mensuráveis ao nível de entidade e atributo.

2. Gestão de Contexto Orientada à Busca (SOCM)

Para externalizar o estado de execução, o SearchOS mantém um estado compartilhado durável $M_t$ composto por quatro componentes, atualizados via operações de leitura-modificação-escrita com bloqueio:

Tarefa de Fronteira (Frontier Task): Um pool de tarefas dependentes de dependências que representa lacunas de esquema não resolvidas (ex: células específicas em uma tabela).
Grafo de Evidência (Evidence Graph): Um grafo que armazena achados atômicos (valor, fonte, trecho de suporte) em vez de resumos de nível de página, preservando procedência granular e lidando com conflitos.
Mapa de Cobertura (Coverage Map): Uma visão materializada das células do esquema rastreando o status (ausente, preenchido, incerto, inalcançável) para medir o progresso quantitativamente.
Memória de Falha (Failure Memory): Um registro compartilhado de ações malsucedidas (ex: sites inacessíveis, consultas repetidas) para evitar que os agentes retratem caminhos esgotados.
Agentes recebem projeções de estado específicas para suas funções, em vez do histórico completo, garantindo relevância de contexto e evitando informações obsoletas.

3. Orquestração Paralela de Pipeline

Em vez de processamento em lote sincronizado, o SearchOS emprega escalonamento paralelo de pipeline:

Despacho Contínuo: Assim que um slot de agente é liberado, ele é imediatamente atribuído a uma nova tarefa visando uma lacuna de cobertura não resolvida.
Utilização: Esta abordagem sobrepõe a execução de subagentes (Explorar, Buscar, Escritor), reduzindo o tempo ocioso causado por "atrasados" (stragglers) e aumentando o throughput geral.
Especialização de Funções: Um orquestrador decompõe o esquema e coordena agentes especializados, enquanto um escritor sintetiza o relatório final com base na evidência acumulada.

4. Harness de Middleware de Ferramentas de Busca

Um harness de nível de sistema intercepta interações entre modelo e ferramenta para impor invariantes globais sem depender de prompts de agentes:

Middleware de Contexto: Compõe o contexto específico da função injetando estado relevante e recuperando habilidades antes das chamadas do modelo.
Middleware de Extração de Evidência: Vincula e ancora automaticamente evidências das observações da ferramenta ao esquema, atualizando o Grafo de Evidência e o Mapa de Cobertura de forma atômica.
Middleware de Sensor: Monitora estagnações (falta de crescimento de cobertura) e exaustão de orçamento. Ele pode intervir injetando correções, mudando estratégias ou interrompendo ramos, garantindo execução robusta mesmo quando os agentes falham em se autocorrigir.

5. Habilidades de Busca Hierárquicas

O sistema utiliza uma biblioteca de habilidades reutilizáveis categorizadas em:

Habilidades de Orquestrador: Playbooks globais para decomposição de tarefas e alinhamento de esquema.
Habilidades de Estratégia: Métodos independentes de fonte para reformulação de consultas e raciocínio.
Habilidades de Acesso: Procedimentos de recuperação específicos de fontes (ex: para portais governamentais ou enciclopédias) que lidam com navegação e parsing.

Principais Contribuições

Formulação de Busca Relacional: Definir a busca de informação como completão de esquema relacional com citações fundamentadas, fornecendo um objetivo unificado para descoberta de entidades e atribuição de evidências.
Colaboração Stateful e Paralela de Pipeline: Introduzir o SOCM e um esquema de orquestração contínua que coordena agentes via estado compartilhado e atribui trabalho dinamicamente em torno de lacunas de cobertura.
Execução Governada por Middleware: Mover o processamento de evidências, gestão de contexto e salvaguardas comportamentais (detecção de estagnação, aplicação de orçamento) para fora dos prompts dos agentes através de um harness de middleware dedicado.
Habilidades de Busca Hierárquicas: Projetar um sistema de habilidades que separa estratégias reutilizáveis de procedimentos de acesso específicos de sites para aumentar o processo de busca entre sessões.

Resultados Experimentais

O SearchOS foi avaliado nos benchmarks WideSearch (coleta de fatos em larga escala) e GISA (assistente de busca de informação geral), comparando-se com baselines de agente único (ReAct, Plan-and-Solve) e sistemas multiagentes (A-MapReduce, Web2BigTable, Table-as-Search).

WideSearch: O SearchOS alcançou o melhor desempenho em todas as métricas, atingindo 80.3 de F1 ao nível de item, superando o baseline mais forte (A-MapReduce) em +4.3 pontos. Também liderou em F1 ao nível de linha (56.5), demonstrando que as melhorias de recall não sacrificaram a precisão.
GISA: O SearchOS liderou em todos os tipos de perguntas, com um ganho particularmente significativo em perguntas de Conjunto (76.5 Set F1), excedendo o melhor baseline em 13.4 pontos. Isso destaca a capacidade do sistema de lidar efetivamente com tarefas de enumeração completa.
Estudos de Ablação:
- Planejamento de Esquema: A seleção dinâmica de esquema superou largamente os esquemas de tabela única ou múltiplas tabelas fixas, confirmando que estruturas apropriadas à tarefa devem ser determinadas durante a busca.
- Escalonamento de Pipeline: O despacho contínuo reduziu o tempo de ponta a ponta em 24.3% e melhorou a utilização de slots em comparação ao escalonamento em lote, alcançando simultaneamente F1 scores mais altos.
- Governança de Middleware: Intervenções do Middleware de Sensor redirecionaram com sucesso trajetórias de busca estagnadas, restaurando o progresso nos estágios inicial, intermediário e final.
- Habilidades: A utilização de habilidades hierárquicas melhorou o Item F1 em 2.0 pontos e o Row F1 em 3.4 pontos, enquanto reduziu o tempo de sessão em 36.6% e as chamadas de busca em 39.1%.

Significância e Alegações

O artigo afirma que o SearchOS pavimenta o caminho para uma colaboração de busca de informação robusta ao abordar as limitações fundamentais de tratar o estado de busca como histórico de conversa transitório. Ao externalizar o estado em um sistema persistente e compartilhado (SOCM) e governar a execução através de um harness de middleware, o framework garante que:

O progresso seja mensurável e as lacunas sejam explícitas.
Esforços redundantes e loops repetitivos sejam minimizados.
Os orçamentos de busca sejam utilizados eficientemente através de paralelismo de pipeline.
A evidência seja rigorosamente fundamentada e verificável.

Os autores posicionam o SearchOS não apenas como um agente melhor, mas como uma infraestrutura de nível de sistema que torna a busca de longo horizonte confiável, observável e escalável, indo além das limitações das abordagens atuais de agente único e multiagente que dependem puramente de raciocínio baseado em prompts.