WARUM DAS WICHTIG IST
Informationssuche mit mehreren Agents scheitert in der Praxis oft nicht am einzelnen Modell, sondern am verlorenen oder unkoordinierten Arbeitsstand. Die Arbeit liefert dafür konkrete Zustandsobjekte und eine Steuerungsschicht.
AI THOR · VISUELLE EINORDNUNG
Vom Forschungsproblem zur praktischen Bedeutung
Aus der vorliegenden Paper-Analyse abgeleitet
Ausgangslage
SearchOS-V1 macht Suchfortschritt in Multi-Agenten-Systemen als persistenten, geteilten Zustand explizit und soll damit Wiederholungen, Budgetverschwendung und unvollständige Antworten …
Methode
Relationale Schema-Completion mit Quellenverankerung
Befund
SOCM führt Frontier Tasks, Evidence Graph, Coverage Map und Failure Memory als persistenten Suchzustand zusammen.
Anwendung
Für Recherche-Agents einen Evidence Graph und eine Coverage Map als expliziten Laufzustand einführen.
Grenze
Die Evaluation deckt bisher nur zwei Benchmarks ab.
DIE ANALYSE IM DETAIL
Was das Paper Kapitel für Kapitel zeigt.
Die folgenden Abschnitte verdichten die vollständige Paper-Analyse auf Deutsch, ohne die zentralen Argumentationsschritte auszulassen.
Introduction
Das Kapitel beschreibt die Herausforderung, dass bei zunehmender Interaktionshistorie Informationssuch-Agenten Schwierigkeiten haben, Suchfortschritte und ungelöste Aufgaben nachzuverfolgen, wodurch Wiederholungen und ineffiziente Suche auftreten. Mehrere Agenten führen ohne explizite Koordination zu Inkonsistenzen und Leerlaufzeiten. Es wird argumentiert, dass Suchstatus systemseitig persistent und geteilt werden muss.
Relational Search Formulation
Die Informationssuche wird als Aufgabe der relationalen Schema-Vervollständigung mit verankerter Evidenz formuliert. Suchanfragen werden als Schemata mit Tabellen, Attributen und Primär-/Fremdschlüsselbeziehungen modelliert, wobei jede Entität und jedes Attribut mit Quellinformationen (Belegen) verbunden wird.
Search-Oriented Context Management (SOCM)
SOCM externalisiert den dynamischen Suchstatus in mehrere Komponenten: Frontier Task (aktuelle Aufgaben), Evidence Graph (Beweisnetzwerk), Coverage Map (Abdeckungsstatus) und Failure Memory (Fehlerschutz). Über all diese gemeinsamen Zustände koordinieren spezialisierte Subagenten die Suche.
Pipeline-Parallel Scheduling
SearchOS nutzt pipeline-parallele Planung zur gleichzeitigen Ausführung verschiedener Sub-Tasks und füllt kontinuierlich freie Slots mit ungelösten Aufgaben nach. Dieses Scheduling reduziert Leerlauf durch stragglers und erhöht Durchsatz und Ressourcenauslastung.
Search Tool Middleware Harness
Das Middleware Harness interceptiert und steuert Agent- und Tool-Interaktionen, um Belege zu extrahieren, Kontext zu verwalten, Budgets zu überwachen und wiederholte oder stagnierende Suchpfade zu verhindern. Dadurch entlastet es Agenten von globalen Kontrollaufgaben.
Hierarchical Search Skills
Eine hierarchische Skill-Struktur trennt wiederverwendbare Suchstrategien von spezifischen Zugriffsverfahren auf einzelne Datenquellen. Diese Skills werden gezielt nach Aufgabe und Quelle zugeordnet und lernen aus erfolgreichen sowie gescheiterten Ausführungen.
Evaluation on WideSearch and GISA
SearchOS übertrifft in umfassenden Benchmarks wie WideSearch und GISA alle Einzel- und Mehragenten-Baselines in allen Metriken deutlich, mit z.B. 80.3 Item-Level F1 bei WideSearch und +13.4 Punkten bei GISA. Das belegt die Effektivität der robusten agentenübergreifenden Kollaboration.
Conclusion
SearchOS macht Suchfortschritte explizit, persistent und geteilt, verwendet effizientes pipeline-paralleles Scheduling sowie ein Steuerungs-Middleware und modulare Skills. Diese Innovationen verbessern Qualität, Vollständigkeit und Effizienz der Open-Domain Suche mit multi-agenten Systemen nachhaltig.
ABSTRACT IM ORIGINAL LESEN
Recent advances in Tool-Integrated Large Language Models have made web search a core capability of information-seeking agents. However, as interaction histories grow, agents increasingly struggle to track task progress. When search attempts fail to yield useful evidence, current single- and multi-agent systems can become trapped in repetitive loops, wasting search budgets and ultimately compromising the quality and completeness of the final output. We introduce SearchOS, a system-level multi-agent framework that turns fragile, implicit search progress into explicit, persistent, and shared state. First, we formulate open-domain information seeking as relational schema completion with grounded citations, where agents discover entities, populate attributes across linked tables, and anchor each value to source evidence. Then we design Search-Oriented Context Management (SOCM), which externalizes the evolving state into Frontier Task, an Evidence Graph, a Coverage Map, and Failure Memory. Built on SOCM, SearchOS applies a pipeline-parallel scheduling mechanism that overlaps the execution of sub-agents and continuously refills freed slots with tasks targeting unresolved coverage gaps to improve utilization and throughput. To schedule and control the execution of search agents, SearchOS introduces a Search Tool Middleware Harness that intercepts model and tool interactions to record grounded evidence and react to stalls or budget exhaustion, and provides a reusable hierarchical skill system comprising strategy and access skills to augment the agents' search process and avoid repeating failed search patterns across runs. On WideSearch and GISA, SearchOS leads all metrics among the evaluated single- and multi-agent baselines, paving the way toward robust information-seeking collaboration.
DIE KERNPUNKTE
- 01
SOCM führt Frontier Tasks, Evidence Graph, Coverage Map und Failure Memory als persistenten Suchzustand zusammen.
- 02
Pipeline-paralleles Scheduling soll Durchsatz erhöhen und Leerlauf reduzieren.
- 03
Eine Middleware entkoppelt globale Steuerung, Budgetkontrolle und Stagnationserkennung von einzelnen Agenteninteraktionen.
- 04
Hierarchische Skills trennen wiederverwendbare Suchstrategien von zugriffsspezifischen Verfahren.
- 05
Die Evaluation auf WideSearch und GISA berichtet Spitzenresultate gegenüber Einzel- und Mehragenten-Baselines.
VORGEHEN
- — Relationale Schema-Completion mit Quellenverankerung
- — Persistenter geteilter Suchzustand (SOCM)
- — Pipeline-parallele Subagenten-Ausführung
- — Middleware für Budget- und Stagnationskontrolle
PRAKTISCHE ANKNÜPFUNGSPUNKTE
- — Für Recherche-Agents einen Evidence Graph und eine Coverage Map als expliziten Laufzustand einführen.
- — Toolaufrufe über eine Middleware mit Budget-, Fortschritts- und Stagnationssignalen steuern.
- — Suchstrategien und zugriffsspezifische Prozeduren als getrennte Skill-Ebenen modellieren.
- — Eine erste Evaluation gegen eine Einzelagenten-Baseline auf repräsentativen Rechercheaufgaben durchführen.