💬 NLP

Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests

本文分析了来自 DeepResearchGym 的 1444 万次真实世界智能体搜索请求，以揭示关键行为模式，例如会话长度分布、依赖意图的探索策略以及查询改写与检索证据之间强烈的词汇可追溯性，最终为优化搜索智能体设计提供可操作的信号。

原作者： Jingjie Ning, João Coelho, Yibo Kong, Yunfan Long, Bruno Martins, João Magalhães, Jamie Callan, Chenyan Xiong

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Jingjie Ning, João Coelho, Yibo Kong, Yunfan Long, Bruno Martins, João Magalhães, Jamie Callan, Chenyan Xiong

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一座庞大而繁忙的图书馆，其中工作的不是人类读者，而是成千上万名机器人图书管理员。这些机器人由先进的人工智能驱动。它们的工作不仅仅是查找一本书；它们被赋予的任务是解决复杂的谜题。为此，它们不会只询问一次。它们会提问、阅读答案、根据刚读到的内容提出后续问题、再次阅读，并持续进行，直到它们认为自己掌握了全貌。

本文是对这些机器人图书管理员的一项大规模观察研究。研究人员分析了来自公共系统DeepResearchGym的超过1400 万次搜索请求（约 400 万次“对话”或会话）。他们旨在了解：这些机器人试图做什么，以及它们如何在过程中调整自己的问题？

以下是他们研究发现的简要概述，采用简单的类比：

1. “购物清单”与“侦探”（意图）

研究人员发现，机器人主要分为三种“人格类型”，或称“意图”，这些类型决定了它们搜索的方式：

事实寻求者（陈述型）：这种机器人只想要一个具体的事实，例如“这家零食公司归谁所有？”
- 行为：它容易陷入循环。如果它没有立即找到答案，就会不断重复相同的问题或稍作修改的变体（就像一个人反复敲门并重复喊同一个问题）。
操作指南（程序型）：这种机器人想知道如何做某事，例如“如何修理漏水的水龙头？”
- 行为：它会提出更长、更详细的问题，并深入挖掘“图书馆书架”（检索更多文档），以获取完整的操作说明。
侦探（推理型）：这种机器人面对的是复杂的谜题，例如“为什么汽油很贵？”
- 行为：它最为大胆。它不会局限于单一角度，而是会在不同主题（侧面）之间跳跃，以串联线索。它倾向于广泛探索，而非仅仅在一点上深挖。

2. “深入挖掘”的习惯

最大的发现之一是，这些机器人有一种强烈的向内聚焦而非向外扩展的习惯。

想象你在查看一张地图。大多数时候，这些机器人先采取宏观视角，然后立即放大到一条小街以寻找细节。它们很少退一步思考：“等等，也许我完全看错了城市。”

“深入挖掘”偏差：约 36% 至 48% 的时间里，它们只是在同一主题上稍微转换角度。
“向外扩展”的罕见性：只有约 9% 的时间里，它们真正拓宽搜索范围以审视全局。当它们确实向外扩展时，几乎会立即再次向内聚焦。这就像快速扫视整张地图，然后立刻再次聚焦于某一条街道。

3. “回声室”效应（重复）

研究发现，90% 的这些机器人对话都很短（10 步或更少），且发生得非常快（问题之间通常不到一分钟）。

然而，对于事实寻求者来说，存在一个问题。随着对话的进行，它们越来越倾向于重复自己。到了第 9 步，近一半的问题与之前的问题几乎完全相同。这就像一个忘记自己已经问过问题的人，或者陷入循环，试图从不同角度获得相同答案却屡试屡败的人。

4. “术语采纳”测试（它们真的阅读了吗？）

研究人员想知道：当机器人提出一个新问题时，它是否真的使用了刚刚找到的信息？

由于无法窥探机器人内部的“大脑”（记忆），他们发明了一个巧妙的测试，称为CTAR（上下文驱动的术语采纳率）。

类比：想象一位侦探读到一条线索，上面写着“嫌疑人戴着一顶红帽子"。如果侦探的下一个问题是“谁戴着一顶红帽子？”，那么他就是在“采纳”该术语。
结果：研究人员发现，机器人在下一个问题中使用的新词中，有**54%**直接来自它们刚刚阅读的文本。
局限性：这并不意味着机器人完全理解了文本，只是说明这些词汇确实存在。这就像鹦鹉重复它听到的词语，而不是人类深入思考它们。但这证明了机器人至少在查看它们检索到的证据。

5. “固定预算”问题

机器人被分配了一个“预算”，规定每个问题可以阅读多少文档（例如，阅读 5 页或 10 页）。

发现：大多数机器人将此预算视为硬编码设置。它们不会根据任务进行调整。无论它们是在寻找简单事实还是解决复杂谜题，它们大多坚持阅读相同数量的页面。它们似乎没有意识到，复杂的谜题可能需要比简单事实更多的阅读量。

总结

本文就像一份针对 AI 搜索代理的交通报告。它告诉我们：

大多数搜索既短又快。
机器人在寻找简单事实时容易陷入循环。
它们倾向于聚焦细节，而非退后一步审视全局。
它们确实会从阅读内容中汲取词汇，但无论任务难度如何，它们往往固守僵化的“阅读预算”。

作者发布了这些数据，以便其他研究人员能够构建更好的“交通控制器”，帮助这些机器人跳出循环、进行更多探索，并更明智地使用它们的阅读预算。

以下是论文《野外智能体搜索：来自 1400 万 + 真实搜索请求的意图与轨迹动态》的详细技术总结。

1. 问题陈述

信息检索（IR）领域缺乏对LLM 驱动的智能体搜索在真实场景中如何运作的实证理解。尽管存在基准测试，但它们未能揭示：

智能体如何在多步会话中演变其查询。
检索到的证据如何影响后续的查询改写。
基于底层用户意图（例如：事实寻求与推理）的不同，搜索行为有何差异。
智能体是否有效利用了上下文，还是陷入了重复循环。

当前的日志缺乏人类搜索中常见的隐式反馈信号（如点击），造成了“测量鸿沟”，使得难以判断智能体是成功利用了检索到的证据，还是仅仅在产生幻觉或重复。

2. 数据集与基础设施

作者分析了来自 DeepResearchGym (DRGym) 的数据，这是一个由外部智能体客户端访问的开源、模型无关的搜索 API。

规模：在六个月（2025 年 6 月至 12 月）内收集了 1444 万次搜索请求。
会话：预处理为 397 万个会话。
多样性：日志覆盖 25 个国家（主要为中国和美国），并表现出高度的语义多样性（查询间的平均余弦相似度较低），表明其未受少数基准任务或重复提示的主导。
隐私：IP 地址已匿名化；客户端提示和内存未被记录，意味着分析严格依赖于 API 级别的轨迹（查询、参数、时间戳和返回的证据）。

3. 方法论

作者提出了一个三组件测量框架，用于分析会话结构和查询演变：

A. 会话划分

与人类日志使用固定时间间隔不同，智能体请求可能以快速并行突发的方式到达。作者开发了一种语义连续性标准，结合10 分钟硬性时间截断：

他们训练了一个语义连续性模型（基于 Qwen3 嵌入的多层感知机 MLP）来对查询对进行评分。
如果评分超过阈值，查询将被分配到语义连续性最强的活跃会话中；否则，开始一个新会话。

B. 意图与轨迹标注（LLM 作为裁判）

使用 gpt-5-nano，作者在两个层级上对数据进行了标注：

会话级意图：基于网络搜索目标建模分为三类：
- 陈述性：事实检索（例如，“谁拥有 X？”）。
- 程序性：方法执行（例如，“如何修复 Y？”）。
- 推理：复杂综合（例如，“为什么 Z 会发生？”）。
轨迹级改写：将相邻的查询对（ $q_k \to q_{k+1}$ $q_{k} \to q_{k + 1}$ ）分类为四种类型：
- 具体化：收窄约束。
- 泛化：放宽约束。
- 探索：转向相关方面。
- 重复：近乎重复的改写。

C. 上下文驱动的术语采用率 (CTAR)

为了在不访问智能体内部注意力的情况下衡量证据可追溯性，作者引入了 CTAR。

定义：查询（ $q_{k+1}$ ）中新引入的术语在词汇上出现在前几步检索到的证据中的比例。
上下文：
- 上一步：追溯到紧邻的前一次检索（ $E_k$ ）的术语。
- 聚合：追溯到迄今为止检索到的所有证据的并集（ $\bigcup E_i$ ）的术语。
意义：这提供了一个保守且可解释的指标，用于衡量智能体是否将检索到的信息纳入其下一个查询，区别于语义改写。

4. 关键结果

会话结构与动态

长度：超过 90% 的多轮会话包含最多 10 步。
速度：89% 的步间间隔在 一分钟 以内，表明与人类搜索相比，其迭代循环非常迅速。
检索深度：大多数智能体将检索文档数量（ $K$ ）视为静态参数（主要是 $K \in \{1, 5, 10\}$ ），仅有 1.35% 的会话在步骤间变化 $K$ 。

意图条件行为

陈述性（占会话的 88.6%）：表现出最高的重复率（近乎重复的循环），且随时间增加。它们使用浅层检索，但需要更多迭代。
程序性（3.96%）：使用更深的检索（ $K \approx 37$ ），并显示出语义稳定的进展，细化步骤较少。
推理（7.41%）：维持最广泛的探索（转向），并在第一个和最后一个查询之间表现出最高的语义漂移。

轨迹动态

深入偏差：智能体压倒性地倾向于具体化和探索。泛化（放宽）是最少使用的动作（<11%），通常作为重新具体化之前的短暂“重置”。
稳定性与更替：重复保持高结果重叠（约 78%），而探索导致主要证据更替（约 7% 重叠）。
循环：陈述性会话在后期步骤中经常进入高稳定性的“重试循环”（重复相似查询），表明可能存在停滞。

证据可追溯性 (CTAR)

总体采用率：平均而言，54.35% 的新引入查询术语在词汇上可追溯到聚合证据上下文。
近期效应：上一步上下文占采用率的 48.54%。差异（约 5.8%）表明智能体也利用了紧邻上一步之前的证据。
按动作变化：
- 具体化：高 CTAR（约 78%），表明新术语直接取自近期证据。
- 重复：低 CTAR（约 21%），表明智能体在重试时未从证据中纳入新的词汇术语。

5. 主要贡献

大规模行为特征分析：首次对 1400 万 + 请求规模的智能体搜索进行分析，揭示了智能体在短促、快速的循环中运作，且检索预算是静态的。
CTAR 指标：一种新颖、可解释的指标，用于量化基于证据的查询演变，无需访问智能体内部状态或语义相似度阈值。
意图自适应洞察：证明了搜索策略（重复与探索）高度依赖于任务意图，挑战了统一智能体搜索过程的概念。
开放数据：通过 HuggingFace 向公众发布匿名化的 DRGym 日志和分析协议。

6. 意义与启示

研究结果为设计更好的智能体 IR 系统提供了可操作的信号：

感知重复的停止机制：陈述性任务中的高重复率表明，需要控制器检测“停滞循环”并触发策略切换（例如，强制探索或人工审查）。
意图自适应预算：由于程序性任务受益于更深检索，而陈述性任务依赖迭代，系统应根据检测到的意图动态调整检索深度（ $K$ ），而不是使用固定参数。
跨步上下文追踪：对旧证据（超出上一步）的可测量可追溯性表明，上下文管理模块应明确呈现历史证据术语，以辅助查询构建。
评估设计：CTAR 提供了一种轻量级、可审计的信号，用于评估智能体是否有效地将其查询建立在检索到的证据之上，弥合了 API 日志与内部推理之间的差距。

总之，该论文确立，虽然智能体搜索功能强大，但目前表现出僵化的行为（固定预算、重复循环），可以通过意图感知控制策略和更好的上下文追踪机制进行优化。