InfoSeeker：面向网络信息获取的可扩展分层并行智能体框架

近期的智能体搜索系统通过强调深度、多步推理取得了长足进展。然而，这一重心常常忽视了广度信息综合的挑战，即智能体需要跨众多来源聚合大量异构证据。因此，大多数现有大语言模型智能体系统在数据密集型场景中面临严重局限，包括上下文饱和、级联错误传播与高端到端延迟。为应对这些挑战，我们提出InfoSeeker，一个基于近可分解性原理的分层框架，包含战略层的Host、多个Manager与并行的Worker。通过在Manager层利用聚合与反思机制，我们的框架强制严格的上下文隔离，以防上下文饱和与错误传播。同时，Worker层的并行化加速了整体任务执行速度，缓解了显著的延迟。我们在两个互补基准上的评估同时证明了效率（3-5倍加速）与有效性：在WideSearch-en上取得8.4%成功率，在BrowseComp-zh上取得52.9%准确率。代码已发布于 https://github.com/agent-on-the-fly/InfoSeeker