智能体搜索效率优化
3 étapes3 pièces3 Sources
长程智能体(Long-Horizon Agents)的搜索策略正从人工设计的固定算法或向量检索,转向由大模型自主规划与动态决策。最新研究 ForkPilot 和 AgentDiscover 证实,让模型自己决定“怎么搜”比预设规则更省算力且成绩更好;而 Braintrust 的实测显示,在代码修复任务中,缺乏上下文关联的向量搜索成本竟是智能体自主搜索的四倍。
【背景】传统 RAG 依赖预计算嵌入,易丢失代码间的逻辑联系;智能体搜索则通过 grep/find 等工具实时探索,虽单次调用多但路径精准。
争议焦点:学界主张“自主规划”能突破 Bitter Lesson 限制,实现更优的泛化与成本控制;部分工程实践仍依赖向量库以换取低延迟。目前尚无定论哪种架构在所有场景下绝对占优,但在复杂推理与代码理解上,自主搜索的效率优势已获多方验证。
下一步观察:关注开源社区对 AgentDiscover 代码库的复现情况,以及更多垂直领域(如法律、医疗)中 agentic search 与 vector search 的成本对比基准测试发布。
Comment on en est arrivé là
微软研究院等团队发布 ForkPilot 框架,提出自进化策略优化长程智能体的回溯搜索,在保持 SOTA 性能的同时将 Token 消耗降低最高 59.2%。
arxiv.org ↗德克萨斯大学奥斯汀分校等机构推出 AgentDiscover,让编码代理自主规划搜索并记录尝试,在数学与系统优化任务上超越使用相同模型的固定算法基线。
arxiv.org ↗AI Engineer World's Fair 2026 演讲指出,在 Claude Code 修复 TypeScript Go 仓库 Bug 的实验中,向量搜索因缺乏上下文导致重复检索,准确率相同但成本约为智能体搜索的四倍。
youtube.com ↗
Ce qui reste non résolu
- 在超大规模代码库中,智能体自主搜索的延迟是否会在某些场景下抵消其成本优势?
- AgentDiscover 提出的“数据库作为长期记忆”结构能否被非编程类(如创意写作)智能体有效复用?
- 随着模型能力提升,人类设计的搜索脚手架(Scaffolding)是否会完全消失,还是仅退化为安全护栏?