💬 NLP

Search, Inspect, Fetch: Exploiting Boolean Retrieval for Deep-Research Agents

O artigo apresenta o SIEVE, uma interface de agente de pesquisa profunda que utiliza a recuperação booleana implementada para filtrar, classificar e buscar apenas seções de documentos relevantes, alcançando assim maior precisão com significativamente menos tokens em comparação aos fluxos de trabalho tradicionais de busca-visita.

Autores originais: Shuai Wang, Haodong Chen, Yu Yin, Shengyao Zhuang, Bevan Koopman, Guido Zuccon

Publicado 2026-08-05

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Shuai Wang, Haodong Chen, Yu Yin, Shengyao Zhuang, Bevan Koopman, Guido Zuccon

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, mas em vez de uma biblioteca empoeirada, você tem toda a internet ao seu alcance. No mundo da inteligência artificial, os "agentes de pesquisa profunda" são como esses detetives: são programas de computador projetados para responder a perguntas difíceis pesquisando na web, lendo o que encontram e montando a resposta. Para fazer isso, eles geralmente seguem uma rotina simples: digitam uma consulta de pesquisa, olham para uma lista de resumos curtos (snippets) de páginas da web, escolhem a mais promissora e, então, leem a página inteira do início ao fim. Isso é chamado de fluxo de trabalho "Busca–Visita" (Search–Visit). É um pouco como tentar encontrar uma frase específica em um livro lendo todas as páginas de uma biblioteca, mesmo que você precise apenas de um parágrafo no meio de um único livro. O problema é que as páginas da web são, na verdade, organizadas com títulos, cabeçalhos e seções, mas a maioria dos detetives de IA ignora essa estrutura. Eles tratam cada página como um enorme bloco de texto desorganizado, o que desperdiça tempo e confunde o computador.

Este artigo apresenta uma maneira mais inteligente de fazer investigação chamada SIEVE. Os pesquisadores construíram um sistema que trata as páginas da web como arquivos bem organizados em vez de pilhas de papel bagunçadas. Em vez de apenas ler páginas inteiras, o SIEVE usa uma "Linguagem de Consulta Booleana" especial (pense nisso como um filtro de pesquisa superpreciso) para fazer perguntas muito específicas, como "Mostre-me apenas as seções com o cabeçalho 'História' que mencionam '1995'". Ele então inspeciona a lista de resultados para ver os cabeçalhos e os pequenos trechos, escolhe a seção exata de que precisa e busca apenas aquele pequeno pedaço de informação. Essa abordagem, chamada de "busca–inspeção–busca" (search–inspect–fetch), permite que o agente ignore partes irrelevantes de um documento inteiramente. Os autores testaram isso em três conjuntos diferentes de perguntas difíceis e descobriram que o SIEVE foi não apenas mais preciso ao encontrar as respostas certas, mas também usou 20,7–50,6% menos "tokens" (as unidades básicas de texto que o computador processa) do que os melhores métodos tradicionais. Em resumo, ao respeitar a estrutura da web, o detetive de IA pode resolver mistérios de forma mais rápida, barata e com menos erros.

O Novo Kit de Ferramentas do Detetive: SIEVE

Imagine que você está procurando uma receita específica em um livro de receitas enorme que tem milhares de páginas. A maneira antiga (o método "Busca–Visita") é perguntar a um bibliotecário: "Você tem uma receita de bolo de chocolate?". O bibliotecário lhe entrega uma lista de dez livros que podem ter ela. Você escolhe um, caminha até lá e lê o livro inteiro da primeira à última página, esperando encontrar a receita do bolo de chocolate em algum lugar no meio. Se não encontrar, você volta, escolhe outro e lê todo aquele também. É exaustivo, lento e você acaba com o cérebro cheio de informações sobre pães e sopas que você não precisava.

Os autores deste artigo argumentam que esta é uma maneira terrível de usar a internet. As páginas da web não são apenas blocos de texto; elas são estruturadas com títulos, cabeçalhos, datas e seções, exatamente como um livro tem capítulos. O problema é que os agentes de IA atuais frequentemente ignoram esses "capítulos". Eles leem a página inteira mesmo quando a resposta está em apenas uma pequena seção.

Para corrigir isso, a equipe criou o SIEVE, uma estratégia de busca–inspeção–busca (search–inspect–fetch). Pense no SIEVE como um detetive que não apenas lê o livro inteiro, mas sabe exatamente como usar o índice.

Passo 1: O Superfiltro (Busca)
Em vez de apenas digitar uma pergunta vaga, o SIEVE usa uma linguagem especial chamada Linguagem de Consulta Booleana (BQL). Isso é como dar ao bibliotecário um conjunto de regras muito rigorosas. Em vez de dizer "Encontre bolo para mim", o agente diz: "Encontre documentos onde o Título diz 'Chocolate' E a Seção é 'Receitas' E a Data é após 2020". Isso filtra milhares de páginas irrelevantes imediatamente. É como ter uma peneira mágica que só deixa passar o tipo certo de areia, deixando as pedras para trás.

Passo 2: Uma Olhada Rápida (Inspeção)
Uma vez que o filtro tenha feito o seu trabalho, o agente ainda não lê as páginas completas. Em vez disso, ele olha para "cartões de resultado". Estes são como cartões de índice que mostram o título, a lista de cabeçalhos de capítulos e um pequeno trecho de 25 palavras do texto. O agente pode ver: "Ah, este livro tem um capítulo chamado 'Sobremesas' e outro chamado 'Café da Manhã'". Ele pode inspecionar esses cabeçalhos para ver qual deles realmente parece promissor sem ler uma única frase do texto completo.

Passo 3: A Captura Cirúrgica (Busca/Recuperação)
Este é o divisor de águas. Assim que o agente vê que o capítulo "Sobremesas" é o que ele precisa, ele não abre o livro inteiro. Ele pede ao sistema para "buscar" (fetch) apenas a seção "Sobremesas". Ele obtém apenas aquele pedaço específico de informação. Ele ignora os capítulos sobre pão, sopa e história.

Por Que Isso Importa: Velocidade e Inteligência

Os pesquisadores testaram este novo método contra o antigo método de "ler a página inteira" usando três coleções diferentes de perguntas difíceis (HotpotQA, MuSiQue e BROWSECOMP-PLUS). Estas são como diferentes níveis de um jogo de perguntas e respostas, variando de perguntas comuns da Wikipedia até tarefas de pesquisa muito profundas e complexas.

Os resultados foram impressionantes. O SIEVE não apenas economizou tempo; ele também obteve respostas melhores.

Precisão: Em todas as três coleções, o SIEVE foi mais preciso do que o melhor método tradicional.
Eficiência: Ele usou 20,7% a 50,6% menos tokens para obter essas respostas. Para colocar em perspectiva, se um agente tradicional tivesse que ler 100 páginas para encontrar uma resposta, o SIEVE poderia precisar ler o equivalente a 50 páginas (ou até menos) ao pular as partes irrelevantes.
Robustez: A equipe testou isso com diferentes "cérebros" (modelos de IA) e diferentes mecanismos de busca, e o SIEVE continuou vencendo. Funcionou quer o agente estivesse usando uma ferramenta de busca simples ou uma complexa.

O Que o Artigo Diz (e o Que Não Diz)

Os autores são muito claros sobre o que descobriram e o que não descobriram. Eles não apenas adivinharam; eles realizaram experimentos controlados onde compararam o SIEVE diretamente contra os métodos antigos usando exatamente as mesmas perguntas.

O que eles provaram: Mostraram que ignorar a estrutura das páginas da web é um erro. Ao usar a estrutura (cabeçalhos, seções) para filtrar e buscar apenas o que é necessário, os agentes podem ser mais inteligentes e eficientes. Eles também provaram que o ciclo de "busca–inspeção–busca" é melhor do que apenas "Busca–Visita".
O que eles descartaram: Mostraram que simplesmente ler a página inteira (mesmo que se pesquise várias vezes) é um desperdício. Eles também mostraram que ter apenas um "cérebro" melhor (um modelo de IA mais poderoso) não é suficiente se a maneira como ele pesquisa e lê for ineficiente.
Onde ainda pode enfrentar dificuldades: O artigo observa que o SIEVE ainda depende da capacidade do agente de escrever boas consultas "booleanas". Se o agente fizer a pergunta errada, o filtro pode bloquear a resposta certa. No entanto, eles descobriram que o sistema possui uma "rede de segurança": se o filtro rigoroso não encontrar nada, ele relaxa automaticamente as regras e tenta novamente, para que não fique travado.

O Panorama Geral

Este artigo sugere que o futuro da pesquisa de IA não é apenas sobre tornar a IA "mais inteligente" de uma forma geral, mas sobre ensiná-la a ser mais organizada. Assim como um pesquisador humano não leria uma enciclopédia inteira para encontrar um fato, uma IA também não deveria ter que fazê-lo. Ao respeitar a forma como a informação é estruturada na web, o SIEVE mostra que podemos construir agentes que são mais rápidos, mais baratos de operar e mais precisos. É um lembrete de que, às vezes, a melhor maneira de encontrar a verdade é parar de ler tudo e começar a ler as coisas certas.

Resumo Técnico: SIEVE – Search, Inspect, Fetch (Pesquisar, Inspecionar, Buscar)

Declaração do Problema

Os agentes de pesquisa profunda existentes normalmente operam em um fluxo de trabalho Busca–Visita: eles formulam uma subconsulta, inspecionam trechos curtos de resultados e, em seguida, visitam páginas selecionadas em sua totalidade. Essa abordagem ignora a estrutura endereçável inerente às fontes da web (títulos, cabeçalhos, seções, metadados). Consequentemente, os agentes não conseguem restringir a recuperação a campos específicos do documento, nem podem evitar o carregamento de seções irrelevantes em seu contexto. Essa "leitura ao nível da página" é ineficiente e frequentemente introduz ruído, pois o agente recebe o documento completo mesmo quando apenas uma única seção é relevante para a consulta.

Metodologia: A Estratégia SIEVE

Os autores introduzem o SIEVE (Search–Inspect–Fetch), uma estratégia projetada para preservar a estrutura do documento ao longo do processo de pesquisa. O SIEVE é construído em torno de uma Linguagem de Consulta Booleana (BQL) e opera em três fases distintas:

Pesquisa (Seleção Booleana + Classificação):
- Em vez de depender apenas de classificação semântica, o agente primeiro formula uma expressão BQL para definir um conjunto elegível de documentos.
- A BQL permite restrições de campo (ex: termo[título]), operadores booleanos (AND, OR, NOT), curingas, frases e intervalos de datas.
- Esta etapa de seleção atua como um filtro: determina quais documentos são aceitáveis com base em restrições exatas.
- Um classificador intercambiável (ex: BM25, recuperador denso ou fusão) então ordena este conjunto de candidatos pré-filtrados.
- Mecanismo de Fallback: Se o filtro booleano retornar zero resultados, o sistema automaticamente recorre à classificação da coleção completa usando os termos positivos da consulta, garantindo robustez contra consultas excessivamente restritivas.
Inspeção (Cartões de Resultado Ricos em Estrutura):
- O agente não recebe corpos de documentos completos imediatamente. Em vez disso, ele recebe cartões de resultados compactos.
- Esses cartões expõem a estrutura do documento: títulos, cabeçalhos de seção, campos correspondentes e chaves de infobox.
- Crucialmente, eles incluem um trecho de 25 tokens focado na consulta, derivado da seção com maior sobreposição lexical com os termos positivos da consulta. Isso permite que o agente julgue a relevância sem ler o texto completo.
Busca (Leitura Seletiva):
- Com base na inspeção de cabeçalhos e trechos, o agente solicita uma seção nomeada específica (ou campo) em vez do documento inteiro.
- A ferramenta retorna apenas a seção selecionada ( $x_{d,j}$ ), reduzindo significativamente a contagem de tokens que entram no contexto do agente em comparação com a busca da página concatenada ( $x_d$ ).

Principais Contribuições

O artigo apresenta três contribuições primárias:

Formulação de Estratégia: Identifica o descompasso entre as fontes web estruturadas e os fluxos de trabalho planos ao nível de página, propondo pesquisa–inspeção–busca como um método para preservar a estrutura desde a recuperação até a leitura.
Implementação do Sistema (SIEVE): Introduz um sistema que combina seleção de candidatos por campo via BQL, classificação modular, inspeção de estrutura rica e busca seletiva de seções.
Validação Empírica: Demonstra que o SIEVE melhora a precisão enquanto utiliza significativamente menos tokens do que as configurações convencionais de Busca–Visita.

Avaliação e Resultados

Os autores avaliaram o SIEVE em três coleções de QA: HotpotQA, MuSiQue e BROWSECOMP-PLUS (BCP-S). Para garantir uma comparação justa, criaram variantes "planas" e "estruturadas" pareadas desses conjuntos de dados, onde as variantes estruturadas expõem explicitamente seções e metadados como campos endereçáveis.

Principais Descobertas:

Precisão vs. Eficiência: O SIEVE alcançou a maior precisão em todas as três coleções. Sua configuração padrão (BQL-filtrado BM25+Denso) melhorou a precisão em 1,6 a 3,1 pontos percentuais sobre a linha de base mais forte de Busca–Visita convencional, utilizando de 20,7% a 50,6% menos tokens.
Impacto da BQL: A adição da seleção de candidatos via BQL melhorou a precisão em todos os classificadores testados (BM25, denso e fusão) e em todas as coleções. Isso confirma que o benefício provém da capacidade de definir um conjunto elegível antes da classificação, e não apenas do modelo de classificação em si.
Análise de Componentes:
- Trechos focados na consulta: A remoção dos trechos de 25 tokens causou uma queda significativa na precisão (2,9–6,8 pontos), provando que a evidência local é necessária para que os agentes decidam quais seções buscar.
- Robustez do Recuperador: Os ganhos persistiram através de diferentes tamanhos de codificador denso e backbones de agentes (Tongyi-DeepResearch, Qwen-AgentWorld, OpenResearcher).
- Modos de Falha: Em conjuntos de dados baseados na Wikipedia, os erros foram primariamente de síntese (responder incorretamente após encontrar o documento certo). No mais complexo BCP-S, os erros foram primariamente de recuperação (falha em apresentar o documento de ouro). O SIEVE reduziu falhas de seleção (escolher o documento errado para inspeção) em todos os conjuntos de dados.

Significância e Alegações

O artigo afirma que a estrutura da fonte não é meramente um artefato de formatação, mas um recurso crítico que, quando exposto como campos pesquisáveis e buscáveis, molda fundamentalmente a eficiência da recuperação e a qualidade da resposta.

Praticidade da Recuperação Booleana: Os autores argumentam que, embora a formulação de consultas de campo precisas tenha historicamente exigido esforço especializado, agentes de linguagem (LLMs) agora podem lidar com a formulação e revisão dessas restrições durante o ciclo de pesquisa. Isso torna as capacidades de busca profissional (usadas há muito tempo em revisões sistemáticas médicas) práticas para sistemas gerais de pesquisa profunda.
Fronteira de Eficiência: Os resultados sugerem que os sistemas de recuperação devem preservar e expor a organização das fontes em vez de reduzi-las a páginas planas. Isso permite que os agentes pesquisem e leiam informações na granularidade em que foram escritas, alcançando um melhor equilíbrio entre precisão e custo de contexto.

Os autores permanecem modestos quanto às suas alegações, observando que sua avaliação é limitada a três coleções e que as árvores de seções do BCP-S foram geradas por modelos. Eles também esclarecem que o SIEVE é um "fluxo de trabalho capaz de Booleanos com recuperação de zero acertos projetada", e não uma implementação puramente booleana estrita, e que os ganhos observados são atribuídos ao sistema completo, e não apenas aos componentes isolados como os operadores booleanos.