程序化搜索智能体能否把智能体搜索扩展到查询改写之外？

瓶颈不只在找到证据

固定的 search(query) 接口让智能体可以改写查询，却无法决定保留哪些候选、如何排序，以及返回哪些段落。论文在 BrowseComp-Plus 上的动机性轨迹分析发现，支撑段落可以到达抽取阶段却从未出现在智能体的观测中，而后续搜索只找回了其中一部分遗漏。

作者把目标回答未返回任何已验证支撑的情况称为完全遗漏，把返回部分支撑但漏掉其他支撑段落的情况称为部分遗漏。在一次同页 oracle 干预中，对完全遗漏投递同一检索页面中的支撑段落，使基于评判的任务成功率提高 16.7 个百分点，并使平均后续搜索决策数减少 64.0%。部分遗漏没有显示出净成功率提升，作者据此认为，当目标回答本来就没有暴露任何已验证支撑时，改变呈现方式最有用。这是在一个已分析队列上做的受控干预，并不表示每一处遗漏都可修复。

程序单元改变了什么

PSA 用程序单元取代查询或单次工具调用：它是对候选的一次增量式可执行计算，通过 run_program(code) 提交。成功的具名变量在单元之间持续存在，因此候选作为只读记录保持可用，携带来源标识、内容和查询来源信息。集合操作只转换视图，不修改源记录。

运行时在单元内部解析指定的数据依赖，而智能体随着新证据到来在单元之间调整策略。一个单元可以在一次动作内过滤已保留候选、按条件再检索并合并、然后重排和抽取。论文示例中的单元正是如此：过滤已保留的候选池，检查其是否足够大，不足则检索并去重，然后重排和抽取。只有抽取会向累积证据台账添加内容，运行时既不汇总单元输出，也不对其施加字符限制。

三种接口共享同一搜索底座

这一比较被刻意收窄。三种接口共享同一搜索底座和原语语义，工具式智能体还共享 PSA 的原语和持久工作区。运行时强制执行 20/10/10 的单次调用漏斗：retrieve 最多返回 20 篇文档，rerank 最多保留 10 篇，extract 从最多前 10 篇输入文档中每篇选出一个段落。由于一个单元可以组合多次调用，这些上限和 50 次决策预算并不意味着各接口的总原语工作量相同。

评估使用 InfoSeek-Eval 和 BrowseComp-Plus，五个策略骨干模型，且不做任务特定训练。这一设计把接口隔离为关注变量，但也意味着所报告的增益绑定于这些基准、这些骨干模型和这一共享底座，而非泛指所有搜索智能体。

成功率提升伴随末步 token 下降

在 InfoSeek-Eval 上，PSA 的宏平均成功率为 81.53%，查询式智能体为 77.53%，工具式智能体为 79.73%，分别提升 4.00 和 1.80 个百分点。在 BrowseComp-Plus 上，对应比率为 55.45%、47.90% 和 48.12%。PSA 在 InfoSeek-Eval 上对全部五个骨干模型取得最高任务成功率，在 BrowseComp-Plus 上对五个中的四个取得最高；例外是 GPT-5.6-Luna，工具式智能体在该模型上领先。

token 节省方向一致。对每个骨干模型内的相对降幅取宏平均，在 InfoSeek-Eval 上相对查询式智能体和工具式智能体分别节省 28.3% 和 46.3%，在 BrowseComp-Plus 上分别为 33.9% 和 54.5%。在 InfoSeek-Eval 上使用 Qwen3.8-Flash 时，PSA 相对查询式智能体把末步 token 从 93.9K 降到 23.5K，同时把任务成功率从 72.67% 提高到 82.00%。对完整 DeepSeek-V4.1-Flash 运行的原语级核算表明，这些增益并不需要一致地增加搜索底座的计算量。

召回率与成功率衡量的是不同东西

支撑文档召回率衡量的是对标注支撑文档的覆盖程度，而不是最终答案是否正确。在 BrowseComp-Plus 上，PSA 的宏平均召回率为 56.87%，查询式智能体为 52.41%，工具式智能体为 55.44%，分别提升 4.46 和 1.42 个百分点。PSA 在五个骨干模型中的四个取得最高报告召回率；例外是 Qwen3.8-Flash，工具式智能体达到 68.02%，PSA 为 65.82%。相对查询式智能体的最大提升出现在 Hunyuan-4-Preview 上，从 55.63% 升到 65.49%。

这两个指标可能背离，论文正是因此分别报告。更高的召回率意味着覆盖了更多标注支撑文档；它本身并不确立更高的答案级成功率，而骨干模型层面的例外也表明两种排序并不一致。

把保留与呈现分开

一项在 128 个 BrowseComp-Plus 任务上的配对实验，每臂用 GLM-5.3-Flash 运行一次，直接检验呈现方式。两臂共享 PSA 提示、反馈格式说明、持久工作区、20/10/10 漏斗和 50 次决策预算。选择性反馈展示程序选定的结果；全视图反馈还额外暴露当前单元的全部抽取行及完整来源注释。

选择性反馈使返回文本减少 37.2%（配对 bootstrap 95% 置信区间：7.7–56.6%）。点估计还显示任务成功率提高 3.91 个百分点，末步 token 降低 24.5%，即 27.9K 对 36.9K。作者据此认为这支持把保留与呈现分开：候选保持可复用，而无需把每条抽取注释都放进策略的上下文。这里的成功率和 token 差异是点估计，论文给出区间量化的是返回文本这一项。

优势取决于决策预算

一项预算扫描在 128 个均匀采样的 BrowseComp-Plus 任务上，用 Qwen3.8-Flash 在 10、20、30、40 和 50 次决策下比较查询式智能体与 PSA。每个上限下的运行相互独立，共享预算说明和 20/10/10 漏斗；查询式智能体支持每次决策并行搜索。

在 30–50 次决策上限下，PSA 的任务成功率比查询式智能体高 11.72–13.28 个百分点，同时末步 token 少用 38.3–40.9%。在 20–50 次上限下它也取得更高成功率。但在 10 次决策时，PSA 的成功率为 35.16%，查询式智能体为 39.06%。在受测各上限下，基线的任务成功率保持在 31.25–39.06% 之间，而其末步 token 用量从 31.7K 增长到 141.6K。PSA 减基线成功率差的逐点 95% 区间在 10 和 20 次上限下包含零，在 30–50 次下位于零以上；这些区间反映任务抽样不确定性，而非重复运行变异，且未做多重比较校正。

接口结论的适用范围

论文自身的表述是，这些结果支持把智能体控制从查询改写扩展到对已检索证据的处理与呈现。该主张的证据有边界：五个策略骨干模型、两个基准、不做任务特定训练、共享搜索底座，以及 50 次决策预算。工具式智能体共享 PSA 的原语和持久工作区，因此隔离程序单元这一单位的比较是 PSA 对工具式智能体，而 4.00 和 7.56 个百分点的头条增益是相对查询式智能体测得的。

最具决策相关性的分界是决策预算。在该队列上，低于约 20 次决策时 PSA 并不领先，所报告的优势出现在 30–50 次决策，此时它把更高成功率与少用 38.3–40.9% 的末步 token 结合在一起。对于正在权衡是否让智能体控制候选处理的读者，论文的重点就是这个阈值：当智能体有足够决策次数、使已保留候选的复用与再处理变得重要时，该接口才带来回报，而不是在每一个交互上限下都均匀改善。

本文引用的文献