想象一下你是一名试图破解谜团的侦探，但你的手中拥有的不是尘封的图书馆，而是整个互联网。在人工智能的世界里，“深度研究智能体”（deep-research agents）就像这些侦探：它们是旨在通过搜索网络、阅读所获信息并拼凑出答案来回答棘手问题的计算机程序。为了实现这一目标，它们通常遵循一个简单的流程：输入一个搜索查询，查看网页简短摘要（片段）的列表，挑选出最有希望的一个，然后从头到尾阅读整个页面。这被称为“搜索-访问”（Search–Visit）工作流。这有点像试图在一本书中寻找特定的句子，却要阅读图书馆里的每一本书的每一页，即使你只需要其中一本书中间的一个段落。问题在于，网页实际上是按照标题、标题层级和章节进行组织的，但大多数 AI 侦探忽略了这种结构。它们把每个页面都当作一大块无组织的文本块，这浪费了时间并让计算机感到困惑。

这篇论文介绍了一种更聪明的侦探工作方法，叫做 SIEVE。研究人员构建了一个将网页视为组织良好的文件柜而非杂乱纸堆的系统。SIEVE 不仅仅是阅读整个页面，它使用一种特殊的“布尔查询语言”（可以将其想象为一个极其精确的搜索过滤器）来提出非常具体的问题，例如：“只显示包含‘历史’标题且提到‘1995’的章节。”它随后检查结果列表以查看标题和简短摘要，挑选出它真正需要的那个精确章节，并仅获取那一小块信息。这种被称为“搜索–检查–获取”（search–inspect–fetch）的方法，让智能体能够完全忽略文档中无关的部分。作者在三个不同的难题集上测试了该方法，发现 SIEVE 不仅在寻找正确答案方面更加准确，而且使用的“Token”（计算机处理的基本文本单位）比最好的传统方法减少了 20.7–50.6%。简而言之，通过尊重网页的结构，AI 侦探可以更快、更便宜、更少出错地解决谜团。

侦探的新工具箱：SIEVE

想象一下，你正在一本拥有数千页的巨型食谱书中寻找特定的食谱。旧的方法（“搜索-访问”法）是向图书管理员问：“你有巧克力蛋糕的食谱吗？”图书管理员递给你十本书的列表，这些书可能有这个食谱。你选了一本，走过去，从第一页开始读到最后一页，希望能在中间某个地方找到巧克力蛋糕的食谱。如果你没找到，你就回去选另一本，然后又把那整本书读一遍。这太累了，速度很慢，最后你的大脑里充斥着关于面包和汤的信息，而这些是你根本不需要的。

本文作者认为，这是使用互联网的一种糟糕方式。网页不仅仅是文本块；它们是由标题、层级、日期和章节构成的结构化内容，就像书有章节一样。问题在于，目前的 AI 智能体往往忽略这些“章节”。即使答案只在其中一个小节里，它们也会阅读整个页面。

为了解决这个问题，团队创建了 SIEVE，一种 搜索–检查–获取 的策略。把 SIEVE 想象成一个不仅会读整本书，还知道如何精准使用目录的侦探。

第 1 步：超级过滤器（搜索）
SIEVE 不仅仅输入一个模糊的问题，它使用一种叫做 布尔查询语言 (BQL) 的特殊语言。这就像是给图书管理员一套非常严格的规则。与其说“找给我蛋糕”，不如说：“寻找满足以下条件的文档：标题包含‘巧克力’，且章节为‘食谱’，且日期在 2020 年之后。”这能立即过滤掉成千上万个无关页面。这就像拥有一个神奇的筛子，只让正确的沙子通过，留下石头。

第 2 步：快速扫视（检查）
一旦过滤器完成了它的工作，智能体还不会阅读全文。相反，它会查看“结果卡片”。这些就像索引卡片，显示标题、章节标题列表以及一段极短的（25 个单词）文本片段。智能体可以观察到：“哦，这本书有一个名为‘甜点’的章节，还有一个名为‘早餐’的章节。”它可以检查这些标题，看看哪一个看起来更有希望，而无需阅读任何一句完整的正文。

第 3 步：外科手术式的抓取（获取）
这是改变游戏规则的一步。一旦智能体看到“甜点”章节正是它所需要的，它不会打开整本书。它要求系统“获取”（fetch）仅有“甜点”这一部分。它只获取那一片特定的信息，完全忽略了关于面包、汤或历史的章节。

为什么这很重要：速度与智慧

研究人员使用三个不同的难题集（HotpotQA、MuSiQue 和 BROWSECOMP-PLUS）针对旧有的“阅读全页”方法对这种新方法进行了测试。这些集合就像不同难度的益智游戏，从标准的维基百科问题到非常深入、复杂的科研任务不等。

结果令人印象深刻。SIEVE 不仅节省了时间，而且实际上得到了更好的答案。

• 准确性： 在所有三个集合中，SIEVE 的准确率都高于最好的传统方法。
• 效率： 它使用的 Token 比传统方法减少了 20.7% 到 50.6%。换句话说，如果一个传统智能体需要阅读 100 页才能找到答案，SIEVE 可能只需要阅读相当于 50 页（甚至更少）的内容，因为它跳过了无关部分。
• 鲁棒性： 团队尝试了不同的“大脑”（AI 模型）和不同的搜索引擎，而 SIEVE 始终保持领先。无论智能体使用的是简单的搜索工具还是复杂的工具，它都表现出色。

论文说了什么（以及没说什么）

作者非常明确地阐述了他们的发现以及未涉及的内容。他们并非凭空猜测，而是通过受控实验，使用完全相同的问题将 SIEVE 直接与旧方法进行了对比。

• 他们证明了： 忽略网页结构是一个错误。通过利用结构（标题、章节）来过滤并仅获取所需内容，智能体可以变得既聪明又高效。他们还证明了“搜索–检查–获取”循环优于单纯的“搜索–访问”。
• 他们排除了： 他们证明了仅仅阅读整个页面（即使多次搜索）也是一种浪费。他们还表明，如果搜索和阅读方式效率低下，仅仅拥有一个更好的“大脑”（更强大的 AI 模型）是不够的。
• 他们可能仍面临困难的地方： 论文指出，SIEVE 仍然依赖于智能体能够编写优秀的“布尔”查询。如果智能体提出的问题不对，过滤器可能会屏蔽掉正确答案。不过，他们发现系统有一个“安全网”：如果严格的过滤器没有找到任何东西，它会自动放宽规则并再次尝试，因此不会陷入僵局。

大局观

这篇论文表明，AI 研究的未来不仅仅在于让 AI 在通用意义上变得更“聪明”，而在于教会它如何更有条理。正如人类研究员不会为了寻找一个事实而去阅读整部百科全书一样，AI 也不应该如此。通过尊重信息的结构化方式，SIEVE 展示了我们可以构建出运行更快、成本更低且更准确的智能体。这提醒我们，有时寻找真相的最佳方式，不是去阅读一切，而是只阅读正确的东西。