WebSwarm：用于深度和广度 Web 搜索的递归多代理编排

基于 大语言模型 (LLM) 的网络搜索代理正在将信息搜索从简单的事实问答转变为复杂、深入和广泛的搜索和研究型任务。单个 ReAct 风格的代理受到长轨迹和有限上下文的限制，因此很难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提高搜索覆盖范围，但在递归深度、协作适应性和循证扩展方面仍然表现出明显的局限性。我们提出了 WebSwarm，一种渐进式递归委托框架，在推理过程中共同构建任务分解、递归扩展和代理协作。 WebSwarm 动态实例化代理搜索节点，每个节点将本地目标与指定节点应如何组织搜索和协作的搜索模式相结合。每个节点可以自己解决其目标，也可以进一步委托子节点；解决后，向上返回证据和结果，使父节点能够进一步扩展、修改或聚合搜索过程。为了指导这个过程，WebSwarm 首先探讨如何在网络上组织任务相关信息，为后续的节点扩展奠定基础，并在同质兄弟节点之间重用流程级经验。在 BrowseComp-Plus、WideSearch、DeepWideSearch 和 GISA 上进行的实验表明，WebSwarm 在深度、广度和交错的深度和广度任务上始终优于单代理和多代理基线。对消融、任务难度、网络工具效率和模型泛化的进一步分析解释了 WebSwarm 的有效性，并为多代理搜索系统提供了见解。