摘要
基于大型语言模型（LLM）的网络搜索代理正在将信息检索从简单的事实问答转变为复杂的深度和广度搜索及研究导向任务。单个ReAct风格的代理受到长时间轨迹和有限上下文的限制，难以同时处理深度和覆盖范围。现有的多智能体系统通过并行执行和聚合来改善搜索覆盖，但在递归深度、协作适应性和证据基础扩展方面仍然存在明显局限。
为此，我们提出了WebSwarm，一个渐进式递归委托框架，在推理过程中共同构建任务分解、递归扩展和智能体协作。WebSwarm动态实例化代理搜索节点，每个节点将本地目标与指定搜索方式相结合，以确定该节点如何组织搜索和协作。每个节点可以独自解决其目标，或者进一步委托子节点；解决后，它将证据和结果向上返回，使父节点能够进一步扩展、修正或聚合搜索过程。
为了指导这一过程，WebSwarm首先探测与任务相关的信息在网络上的组织方式，以便为后续节点扩展提供基础，并在同类兄弟节点之间重用过程级经验。实验结果表明，WebSwarm在BrowseComp-Plus、WideSearch、DeepWideSearch和GISA任务上持续优于单代理和多代理基线，在深度、广度以及交错的深广任务中表现优异。进一步的消融分析、任务难度、网络工具效率和模型泛化的分析解释了WebSwarm的有效性，并为多代理搜索系统提供了深入见解。
博主点评： WebSwarm通过递归的多智能体协作，极大地提升了信息检索的深度与广度，展现了其在复杂搜索任务中的潜力。这种动态委托机制不仅优化了搜索过程，还为未来的多智能体系统提供了新的思路，值得进一步探索与应用。