🤖 AI

Fetch-then-Explore: Decoupling Selection from Extraction over a Persistent Workspace for Search Agents

该论文介绍了“先获取后探索”（Fetch-then-Explore）这一搜索智能体框架，它通过维护一个持久的文件系统工作空间，将页面选择与证据提取解耦，使智能体能够根据需求重新访问并从先前获取的页面中提取信息，从而在复杂的搜索基准测试中，相比传统的瞬态接口显著提高了准确性。

原作者： Qi Liu, Yiqun Chen, Zidan Chen, Yan Gao, Yi Wu, Yao Hu, Jiaxin Mao, Fengbin Zhu, Tat-Seng Chua

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Qi Liu, Yiqun Chen, Zidan Chen, Yan Gao, Yi Wu, Yao Hu, Jiaxin Mao, Fengbin Zhu, Tat-Seng Chua

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

想象一下你是一名试图破解巨大谜团的侦探，但线索不是在单一的犯罪现场，而是散落在整个互联网上。你有一个超级聪明的助手（一个 AI 智能体），它可以与你交谈、思考问题并使用工具寻找答案。这就是 AI 搜索智能体的世界。这些数字侦探不仅仅是在读一本书；它们必须在成千上万个网站中搜寻信息，拼凑事实，并查明真相。

为了做到这一点，智能体需要两项核心技能：寻找正确的网页和阅读这些网页。把“寻找”想象成使用搜索引擎来获取潜在线索。而“阅读”则是难点所在。在过去，当智能体点击一个链接时，它必须立刻吞下整个页面，或者至少是其中的一大块。这就像是有人递给你一本 500 页的小说，并要求你：“现在立刻读完并告诉我结局”，即便你还不知道哪一章才藏着答案。如果你遗漏了一个细节，你就必须把书扔掉，回到图书馆，重新把它借出来。这篇论文探讨了一种更聪明的方法来处理这些“数字书籍”，这样侦探就不必一遍又一遍地重复阅读相同的页面。

问题所在：“读完即丢”的陷阱

想象一下你正在和一位 AI 朋友玩一场高风险的“妙语连珠”（Clue）游戏。你问：“谁是 Acme 公司的联合创始人？”AI 搜索了网络并找到了一系列链接。

在旧有的做法中（称为访问并阅读，Visit-and-Read），AI 选中一个链接后，会立即将整个页面强行塞进它的短期记忆中。这就像 AI 抓起一本书，读了前几页，做了一个摘要，然后就把书的剩余部分扔进了垃圾桶。如果 AI 稍后意识到：“等等，我需要知道的是第二个创始人，而不是第一个，”它无法回头看那本书了。书没了。AI 必须回到图书馆，再次找到这本书，并重新阅读一遍。这既慢又贵，而且由于被迫过早地阅读页面的错误部分，往往会导致 AI 错过关键细节。

另一种被称为浏览（Browsing）的方法稍好一些。它允许 AI 打开一个页面并在总结之前先四处看看。但有一个限制：AI 一次只能打开一个页面。一旦它打开一个新页面，旧的页面就会从它的记忆中消失。这就像你的电脑只有一个窗口；如果你打开一个新标签页，旧的标签页就会关闭。如果 AI 需要对比来自页面 A 和页面 B 的事实，它就必须不断地在两者之间反复切换、重新打开并重新阅读。

解决方案：“数字文件柜”

本文作者提出了一种名为 “先获取后探索”（Fetch-then-Explore）的新方法。他们意识到，问题不仅在于 AI 如何阅读，还在于它将找到的页面保存在哪里。

他们没有强迫 AI 立即阅读页面，也没有仅仅将页面保持在一个临时的窗口中，而是给了 AI 一个持久的工作空间——可以将其想象成一个位于硬盘上的个人数字文件柜。

以下是其运作方式：

获取（图书管理员）： 当 AI 发现一个有希望的链接时，它不会立即阅读它。它只是将页面“获取”并将其完整地保存到它的文件柜中。它会得到一张微小的收据，上面写着：“页面已保存至此位置。”这几乎不产生任何成本。
探索（侦探）： 稍后，当 AI 有一个具体的问题时（例如，“谁是联合创始人？”），它会前往文件柜。它不需要重新下载页面。它只需使用一个名为 grep 的工具（类似于一种超快速的搜索功能）来找到提及“联合创始人”的那一行确切位置。

这就像拥有一个图书馆，你可以借出一本书，把它放在你的书架上，然后在几天后回来查看，而无需重新办理借阅手续。AI 可以保存数十个页面，然后随时回到其中任何一个页面询问：“关于 X 你说了什么？”或者“给我看关于 Y 的部分。”

研究发现：回溯的力量

研究人员使用三种不同的“大脑”模型（AI 后端）和两个具有挑战性的互联网搜索基准测试（BrowseComp，需要找到一个极难发现的事实；以及 WideSearch，需要填满一个包含许多事实的大表）来测试这种新方法与旧方法的效果。

结果非常明确：

更高的准确度： “先获取后探索”法胜出了。在困难的事实查找测试（BrowseComp）中，它在所有三种 AI 大脑模型中都击败了其他所有方法。例如，在使用最强的 AI 大脑时，它的准确率达到了 70.5%，而排名第二的方法为 66.0%。
秘密武器： 取得这一成功的最大原因是重访（revisiting）。使用文件柜的 AI 在处理困难任务时，会回到已经看过的页面进行查看，频率高达 12% 到 20%；而在处理广泛任务时，这一比例甚至高达 75%。而那些会丢弃页面的旧方法很少会回头。
效率： 由于 AI 可以瞬间重新阅读保存的页面，它不必一次又一次地重复搜索网络。它实际上使用的搜索查询次数比其他方法更少，同时却能获得更好的答案。

这为什么重要

这篇论文表明，AI “持有”信息的方式与它如何“思考”同样重要。通过将选择页面（将其保存到柜中）与提取答案（稍后阅读）这两个动作分离，AI 变得更加灵活。它可以形成一个假设，检查一个保存的页面，改变主意，然后再次检查该页面，而不会丢失进度。

作者认为，这种“持久工作空间”的方法对于长期的、复杂的调研任务来说是一个游戏规则的改变者。它将 AI 从一个一旦移动就忘掉一切的匆忙读者，转变为一名细心的调查员，能够将所有的证据组织起来，并随时准备好在谜团加深时重新审视。这项研究证实，给 AI 一个存储发现之处——以及回头查看它们的自由——会让它变得更聪明、更准确。

技术摘要：先获取后探索 (Fetch-then-Explore)

问题陈述

目前的长程搜索智能体（能够回答需要数十次搜索的复杂问题）主要依赖两种将页面内容与检索时刻绑定的文档访问接口。

访问并阅读 (Visit-and-Read)： 这种接口将文档选择与证据提取融合为一个动作。在访问 URL 后，智能体会立即接收到一个固定的渲染结果（例如：目标分块窗口、LLM 摘要或截断的正文）并注入到消息历史中。这迫使智能体在尚未确定具体需要哪些事实之前，就必须对特定的阅读方式做出承诺。落在初始渲染范围之外的内容将会丢失，除非再次获取该页面。
有状态浏览 (Stateful Browsing / Open-and-Find)： 这种方法通过将页面打开为一个瞬态会话，从而将选择与提取解耦。然而，它一次只能打开一个页面；打开新页面会释放前一个页面。因此，如果智能体稍后需要重新访问某个页面以验证某个主张或从新的角度阅读，它必须重新获取并重新渲染该页面，这会导致产生新的检索成本，并丧失了跨文档累积证据的能力。

这两种范式都存在无法保留已选页面以进行延迟、可重复提取的问题。一个在许多轮次之后变得相关的页面必须被重新获取并渲染进上下文窗口，这使得长程推理效率低下且容易遗漏证据。

方法论：先获取后探索 (Fetch-then-Explore, FTE)

作者提出了 先获取后探索 (FTE) 范式，该范式将页面选择与证据提取解耦，并将选定的内容保留在一个持久的外部工作空间中。

核心架构

FTE 在标准的 ReAct 智能体框架内运行，但将文档访问工具集替换为一组作用于每个问题专属文件系统缓存 ( $C_q$ ) 的工具。

持久化工作空间： FTE 不会将页面正文注入上下文窗口或瞬态会话，而是将获取的页面全文作为纯文本文件存储在文件系统的一个临时目录中。
解耦工具：
- fetch(url)：检索页面，将其归一化为文本，并存储在 $C_q$ 中。它仅返回一个轻量级记录（路径、大小、状态）而非实际内容。由于不消耗上下文 Token 来承载页面文本，选择过程变得“几乎免费”。
- grep(pattern, path, context)：在存储的文件中搜索正则表达式匹配项。它可以搜索整个缓存（所有获取的页面）或特定文件，并返回带有可选上下文的行号命中结果。
- read(path, offset, limit)：从特定文件中读取指定行数的窗口，允许智能体对 grep 的命中结果进行深入阅读。
- list_fetched()：枚举缓存内容。

设计原则

解耦： 选择 (fetch) 与提取 (grep/read) 相分离。智能体可以基于片段进行选择，并推迟提取，直到其假设更加明确。
保留： 当智能体转向新任务时，页面不会被剔除。工作空间随轨迹增长，允许证据在不同文档之间进行累积。
延迟且可重复的提取： 智能体可以针对不同的假设多次查询同一个页面，而无需重新获取。

实验设置

本研究通过固定搜索后端（Serper API）、智能体框架（ReAct）和骨干模型，隔离了文档接口的影响。

骨干模型： 三种不同能力层级的模型：Qwen3.5-35B-A3B、Qwen3.5-122B-A10B 和 DeepSeek-V4-Pro。
基准测试：
- BrowseComp： 一个深度研究基准，要求通过多跳推理来寻找单个难以发现的事实（1,266 个问题，采样 200 个）。
- WideSearch： 一个广泛的信息寻求基准，要求从许多页面中进行高召回率的表格填充（200 个任务）。
基线模型：
- 仅片段 (Snippet-only)：无文档访问。
- 访问-片段 / 访问-摘要 (Visit-Snippet / Visit-Summary)：标准的访问并阅读，具有不同的压缩程度。
- 打开并查找 (Open+Find)：具有瞬态会话的有状态浏览。

关键结果

1. 性能提升

BrowseComp： FTE 在三种骨干模型中均实现了最高的准确率（分别为 44.5%、52.5% 和 70.5%），超过了最强基线 2–4.5 个百分点，并比原始的访问-片段基线高出 7–14 个百分点。
WideSearch： FTE 通常持平或超越基线。它在 122B 模型上领先，并在 122B/Pro 模型上与最强基线持平，尽管在最弱的模型上，访问-摘要基线略微领先。
搜索效率： FTE 智能体发出的搜索查询比基线更少。因为它们可以根据需求从持有的页面中提取证据，所以它们较少依赖于为了寻找已拥有的信息而进行的重新搜索。

2. 行为分析

重新访问页面： 定义性的行为差异在于能够离开页面后再次返回。FTE 在 BrowseComp 上重新访问了 12–20% 的文档，在 WideSearch 上则达到了 67–76%，而瞬态接口仅为 3–10%。
消融实验：
- 移除 grep（强制盲目分页）或 read 会导致性能显著下降，证实了这两个工具都是必要的。
- 将 grep 限制在单个文件内（移除跨缓存范围）会导致性能下降，其程度与移除提取工具本身相当。这表明仅有持久性是不够的；能够查询整个累积工作空间的能力至关重要。

意义与贡献

本文声称有三个主要贡献：

识别持久性： 它确定了“持久性”是搜索智能体文档接口中一个尚未被探索的维度。现有的智能体要么融合选择与提取，要么使用瞬态会话，而 FTE 引入了一个持久的外部工作空间。
受控隔离： 通过固定框架和搜索后端，本研究隔离了文档接口的价值。结果表明，将文档访问外置到持久化缓存中可以带来可衡量的增益，特别是在深度研究任务（BrowseComp）中。
增益机制： 分析将性能提升归功于在离开页面后返回该页面的能力。这使得智能体能够修正不完整的假设，并在无需重新获取成本的情况下恢复遗漏的证据，而这种能力是瞬态接口从根本上缺失的。

作者总结道，将操作与其输出所承载的媒介解耦，引发了关于智能体的“工作记忆”应存放在何处的结构性问题，这表明外部的、持久的基质是长程搜索中替代基于上下文窗口内存的一种可行且有效的方案。