深度研究代理通过搜索、阅读、推理的循环来回答复杂问题。近期在 BrowseComp-Plus 等推理密集基准上的实验表明，精心配置的词汇检索能够发现高质量证据，但代理仍可能无法将这些证据文档与金标准文档关联起来。我们发现，代理的首次检索动作是影响整体表现的关键设计点。\ \ Question's Gambit 是一种首步检索模块。它首先将问题拆解为若干线索，然后将这些线索重新表述为互补的检索查询。检索得到的结果会被合并、去重并重新排序，形成一个用于后续循环的初始上下文。该上下文既有助于线索的聚合，也便于最终答案的验证。\ \ 我们在 BrowseComp-Plus 上进行实验，结果显示 Question's Gambit 能提升检索召回率，并在下游代理的准确率上超越强基线。使用 gpt-5.5 时，答案准确率从 83.1% 提升至 90.5%，超过了目前报告的最强代理基线 Pi-Serini。进一步在 MultiHop-RAG 上的评估表明，这一提升同样适用于传统的多跳问答结构。\ \ 实验表明，深度研究代理的成功不仅依赖于循环内部的工具，还取决于首步检索的质量。我们的实现已在 https://github.com/radinhamidi/Question-s-Gambit 开源。\ \ 点评