知识卡片：SearchOS-V1：面向鲁棒开放域信息搜索智能体协作

一句话结论
SearchOS 提出了一种系统级多智能体框架，通过将隐式搜索进度外显化为持久共享状态（前沿任务、证据图、覆盖图、失败记忆），并引入管道并行调度与搜索工具中间件，显著提升了开放域信息搜索代理在长交互历史下的鲁棒性和效率，在 WideSearch 和 GISA 基准上全面超越现有单/多智能体基线。

事件概述或研究问题

• 问题：集成工具的 LLM（Tool-Integrated LLM）已使搜索成为核心能力，但随着交互历史增长，智能体难以跟踪任务进度；当搜索尝试失败时，当前单/多智能体系统可能陷入重复循环，浪费搜索预算并损害最终输出的质量与完整性。
• 目标：构建鲁棒的开放域信息搜索智能体协作系统，使搜索进度显式化、可持久化、可共享。

方法/产品要点

• 形式化：将开放域信息搜索建模为关系模式补全（relational schema completion） 与有依据引用（grounded citations），智能体发现实体、填充跨链接表的属性，并将每个值锚定到源证据。
• 搜索导向上下文管理（SOCM）：将演化状态外化为四个组件：
  • Frontier Task（前沿任务）
  • Evidence Graph（证据图）
  • Coverage Map（覆盖图）
  • Failure Memory（失败记忆）
• 管道并行调度机制：重叠子智能体执行，持续用填补未覆盖间隙的任务填充空闲槽，提高利用率和吞吐量。
• 搜索工具中间件（Search Tool Middleware Harness）：拦截模型与工具交互，记录有依据证据，并对停滞或预算耗尽做出反应；提供可重用的分层技能系统（策略技能 + 访问技能），增强搜索过程并避免重复失败模式。

主要结果或产业意义

• 在 WideSearch 和 GISA 两个基准上，SearchOS 在所有评估指标上均领先于所评估的单智能体和多智能体基线。
• 为鲁棒信息搜索协作框架奠定了新的方向，有望提升复杂检索任务（如研究报告撰写、事实核查、知识图谱构建）的系统可靠性。

为什么重要

• 针对现有智能体在长交互中易陷入重复循环的痛点，首创性地将搜索进度外显化并持久化，结合失败记忆避免重复错误。
• 管道并行调度与技能系统提高了资源利用率，实用性更强。
• 与已有卡片（BioASQ 14b 答案类型感知 LLM 流水线、Lean-QIT、排版攻击鲁棒性）无重叠，属于基础模型应用与多智能体协作领域的新贡献。

局限与不确定性

• 据摘要无法确认是否依赖特定的 LLM 后端或 API，以及在不同规模模型下的泛化能力（待核实）。
• 对复杂开放域任务（如跨语种、多模态搜索）的适应性未提及（待核实）。
• 失败记忆的存储与调度开销、并行调度的实际加速比等工程细节尚未公开（待核实）。

可用于图书/PPT/简报的角度

• 案例：知识问答系统中的“搜索死循环”困境及 SearchOS 的解决方案。
• 对比：传统单智能体 vs 多智能体 vs SearchOS 的搜索效率差异。
• 可视化：展示 SOCM 四个组件如何协同工作，以及管道并行调度的时序图。

原始材料

• 原始标题：SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration
• 英文关键词：foundation-model, multi-agent, information-seeking, search, SOCM
• 原始来源：arXiv:2607.15257v1，URL: https://arxiv.org/abs/2607.15257v1
• 本卡片基于摘要生成，因原文未能抓取，部分细节标注为“待核实”。