原创 让你更懂AI的 2025-07-22 21:14 北京
RAG做不到的，它做到了！
研究问题：当传统搜索遇到复杂推理瓶颈 从词法搜索到机器学习时代搜索，再到 RAG，搜索技术一步步突破。尽管当前主流的 RAG 系统尽管能够直接提供自然语言形式的答案，但在面对需要多阶段推理、复杂任务分解或跨工具协同的 Query 时，仍捉襟见肘。其本质问题在于传统 RAG 系统以线性“检索-生成”为基础，缺乏认知规划、动态工具调用和反思式调整的机制，无法有效应对现实中复杂多样的信息需求。例如 RAG 可以回答“汉武帝的年龄? ”，但是很难回答“汉武帝和凯撒大帝谁的年龄更大，大几岁？”这种需要复杂推理流程的 Query。核心原因在于：大多数 RAG 系统本质上仍是“单轮检索 + 单轮生成”的线性流程，缺乏任务拆解规划、调度工具、验证信息、出错后的反思与重试以及综合回答等一系列机制。针对上述问题，百度搜索团队提出 AI 搜索新范式，旨在模拟人类获取信息的方式，犹如将专家团队装入搜索引擎：它能自动分解任务、调用多种工具、Multi-Agent 协同作业来解决复杂任务。
方法介绍为解决上述问题，文章提出了一种基于多智能体协作的全新搜索范式——AI Search Paradigm，其核心思想是通过多个专职智能体动态协作，实现对复杂查询任务的高效规划、可靠执行与结果整合。具体包括以下四个智能体角色：Master（控制智能体）：负责初步分析查询的复杂度，动态组建最佳智能体团队，实时监控任务进展，并根据反馈调整策略。Planner（任务规划智能体）：针对复杂查询任务，动态调整 LLM 的能力边界，生成有向无环图（DAG），并动态调用相关工具。Executor（任务执行智能体）：负责执行 Planner 指定的子任务，包括调用外部工具，例如：网络搜索（Web Search）、计算器、天气工具、代码解释器等，实时评估执行效果。Writer（答案生成智能体）：将 Executor 的各个子任务结果整合，并生成逻辑清晰、语义完整的最终自然语言回答。该范式突破了传统搜索系统线性、静态的处理模式，引入了显式的任务规划、工具动态调用和实时反思机制，从而显著增强了系统的复杂任务处理能力。▲ 图1. AI 搜索范式系统架构图
方法设计：从静态检索到动态协作，打造更“类人”的搜索工作流AI Search Paradigm 不只是简单多加几个模块，而是一次完整的架构重构：复杂查询如：“汉武帝与凯撒谁年长？相差几年？”AI Search 会规划为如下任务图：Sub-task 1: 检索汉武帝生日Sub-task 2: 检索凯撒生日Sub-task 3: 计算二者差值子任务之间存在依赖关系（计算年龄前需先获得生日），系统构建成 DAG 并分层并行执行。相比“思考-行动”式的线性流程 RAG，AI Search 更稳定、易扩展、可回溯。▲ 图2. AI 搜索范式与主流 RAG 方法的比较
核心技术亮点汇总4.1 Master根据查询的复杂性动态选择执行团队实时监控和评估任务执行结果，如果执行失败进行反思（Reflect）、重规划（Replan）和重新执行（Re-Act）等 Deep Research 策略4.2 Planner动态能力边界：不同于静态绑定工具列表，文章提出“动态能力边界”，即基于输入查询动态选择合适的工具子集，并结合 LLM 本身能力 + 选择的工具 API 构成有效的能力边界。▲ 图3. 动态能力边界示意图构建准确、完整的工具描述文档（DRAFT）：文章提出 DRAFT 检索机制，利用 llm 和外部工具之间的交互，在这些交互过程中产生的反馈相互作用，逐步优化工具描述文档。▲ 图4. 构建准确完整的工具描述文档算法（DRAFT）架构图MCP 中的工具聚类：基于 API 功能相似度，自动聚类形成“工具包”，借助功能冗余提升整体系统韧性。面向查询的工具检索（COLT）：文章提出 COLT 检索机制，支持基于语义表示选择相关工具、建图建模工具协同使用关系以及最终用多标签列表排序方式，确保工具组合“完整+合理”。基于 DAG 的任务规划：Planner 将复杂问题拆解为多个子任务并构建 JSON 格式的 DAG，采用思维链→结构化模式，即 LLM 先在内部推理，再一键生成结构化 DAG。Master 指导下的 DeepResearch 机制：每步执行由 Executor 完成并验证；若结果缺失、失败，Master 会启动反思机制；局部回滚 DAG 片段，Planner 重新规划，避免全局重算。基于强化学习（RL）的优化 Planner 策略：提出了基于强化学习的 Planner 优化方法，通过定义明确的奖励机制（涵盖结果准确性、用户反馈、格式规范性与中间任务执行质量），实现 Planner 在复杂任务规划中的性能提升。4.3 Executor对齐大模型偏好：传统搜索对齐用户偏好，而 AI 搜索则侧重于对齐大模型的偏好，有利于后续生成高质量答案▲ 图5. 任务执行器的架构转变示意图LLM 标注（RankGPT 和 TourRank）：RankGPT 利用滑动窗口在小批候选文档上重复比对，最终汇总出整组文档的全局排序；TourRank 受锦标赛模式启发，将文档分组并行竞争，多轮晋级打分后汇总，生成更准确的排序结果。参考选择和生成奖励：Executor 从单一维度的排序升级为并行多维度排序策略，例如权威性优先或时效性优先，AI 搜索系统让 Writer 分别基于各策略生成答案，再以更优答案质量对对应策略给予正向激励，借助下游生成效果反向驱动上游排序优化。▲ 图6. 生成奖励算法示意图LLM 排序蒸馏：将教师 LLM 的深度排序能力蒸馏到更高效的轻量化的学生模型。轻量化检索和排序系统：文章提出轻量化检索系统，即基于 Tiny-LLM 生成查询和文档嵌入，替代传统 BERT 模型。文章同时提出轻量化排序系统，即直接使用 LLM 推理能力对文档打分，减少特征工程依赖。4.4 Writer基于 LLM 生成的 “3H 标准”，即有用（Helpfulness）、无害（Harmlessness）和真实（Honesty）文章针对 3H 标准分别提出：鲁棒 RAG 系统（ATM），即通过对抗训练与多智能体迭代训练相结合，显著增强了 Writer 的鲁棒性；RAG 任务对齐系统（PA-RAG），即先通过指令微调获得基础 RAG 能力，再进行多视角偏好优化，确保模型输出信息性强、鲁棒性佳且引用准确；基于用户反馈进行优化（RLHB），即通过显式与隐式用户反馈，利用 RL 直接对齐 LLM，克服了传统对齐成本高且脱离真实在线行为的局限。▲ 图7. 鲁棒 RAG 算法（ATM）示意图▲ 图8. RAG 任务对齐算法（PA-RAG）示意图多智能体联合优化（MMOA-RAG）：将 Planner、Executor 和 Writer 三个智能体视为协作团体，组成一个 Multi-Agent 系统，整体优化目标采用多智能体 PPO（MAPPO），使得所有 Agent 共同朝着同一个全局奖励方向前进，同时通过惩罚项约束各自的低效行为。▲ 图9. 多智能体联合优化算法（MMOA-RAG）示意图4.5 轻量化 LLM算法层面优化方法：文章提出 Local Attention 方法，即通过 LightTransfer、LoLCATs 等方法，将 Transformer 的全局注意力替换为局部或低秩机制，大幅降低复杂度至近线性，且性能损失极小；文章利用 Layer Collapse、SlimGPT 等结构化剪枝技术，删减冗余层、注意力头或通道，在无需大规模重训练的情况下压缩模型参数，并保持几乎相同的效果。架构层面优化方法：文章提出缩短输出长度（Output Length Reduction）、语义缓存（Semantic Caching）、量化（Quantization）、预填充与解码分离（Prefill-Decode Separation）和投机解码（Speculative Decoding）等方法在架构层面实现轻量化。▲ 图10. 轻量化 LLM 技术流程图
实验结果：性能全面领先的 AI 搜索系统文章过严谨的评估方法验证了该 AI 范式的强大性能。5.1 人工评估通过对专业标注员的“盲测”对比，结果显示：简单查询阶段，AI 搜索与传统搜索不分伯仲；中等复杂查询时，AI 搜索系统的归一化胜率（NWR）高出 5%；在复杂查询场景下，AI 搜索优势进一步扩大，NWR 提升至 13%。▲ 表1. AI 搜索与传统网络搜索的在人工评估实验中的比较结果。5.2 A/B Test文章使用百度搜索的真实流量构建 A/B Test，结果表明 AI 搜索在常用用户侧指标上相较于传统网络搜索实现了大幅提升：更改查询率（CQR）降低 1.45%，页面浏览量（PV）增加 1.04%，日活跃用户（DAU）增加 1.85%，停留时间（Dwell Time）增加 0.52%。▲ 表2. 在线 A/B 测试结果5.3 典型案例分析文章选取了两个典型案例来直观展示：简单 Query：“泰山有多高? ”在简单查询下 AI 系统和传统网页搜索表现相当。复杂 Query：“汉武帝和凯撒大帝谁的年龄更大，大几岁？”AI 搜索生成准确答案，而传统网络系统无法产生正确结果。▲ 图11. 案例分析
AI 搜索未来展望AI Search Paradigm 提供了一种全新的搜索系统框架，使搜索系统从传统的检索生成机制，转型为以多智能体协作、任务规划与工具动态调用为核心的认知智能搜索系统。文章相信该技术范式将在搜索引擎、智能问答、知识库交互以及决策支持系统等多个领域实现深远的技术进步，真正迈入智能搜索的新阶段。论文已公开在 Arxiv：https://arxiv.org/pdf/2506.17188更多 AI 搜索体验可访问：https://www.baidu.com/更多阅读
