告别Agent失忆：SearchOS如何用关系型思维重构多智能体搜索协作
传统多智能体搜索的系统性瓶颈
在人工智能内容生成与复杂任务处理的演进历程中，多智能体（Multi-Agent）系统因其能够分工协作处理复杂逻辑而备受关注。然而，在开放域信息检索这一特定场景下，现有的基于大语言模型（LLM）的Agent架构面临着严峻的系统性挑战。核心痛点集中在长程任务执行过程中的“失忆”现象、重复劳动以及证据链的断裂。
传统的Agent交互往往依赖于对话历史的上下文窗口。随着搜索任务的深入，对话上下文迅速膨胀，导致模型注意力分散，重要信息被压缩或遗忘。此外，由于缺乏全局的状态管理机制，不同的Agent在探索同一信息空间时，极易陷入重复查询的循环，造成计算资源的极大浪费。更关键的是，在生成最终报告时，传统架构难以将结论性的数据与原始网页的具体位置建立精准的一一对应关系，即缺乏可追溯的证据锚点，这极大地限制了其在严谨性要求极高的专业领域的应用潜力。
SearchOS的架构革新：关系型思维的引入
针对上述痛点，人大高瓴人工智能学院与蚂蚁集团联合推出的SearchOS框架，提出了一种颠覆性的解决方案。SearchOS不仅仅是一个简单的搜索工具集，而是一个系统级的多智能体搜索协作操作系统。其核心创新在于借鉴了关系型数据库的设计理念，将非结构化的开放域信息检索任务，抽象为动态的关系模式。
在这一框架下，信息不再被视为孤立的文本片段，而是被组织成包含表结构、主键与外键的动态表格。这种抽象使得系统能够自动识别实体间的关联，并在发现新实体的同时自动补全属性。通过将检索任务统一落在一套结构化的框架上，SearchOS实现了从“无序搜索”到“有序构建”的范式转变。
SearchOS引入了面向搜索的上下文管理（SOCM）机制，这是其解决状态管理问题的关键。SOCM将搜索状态外化为四种共享数据结构：Frontier Tasks（前沿任务）、Evidence Graph（证据图）、Coverage Map（覆盖地图）以及Failure Memory（失败记忆）。这种设计使得所有Agent不再依赖私有的对话历史，而是通过查询共享状态来实现全局同步。这不仅避免了上下文压缩导致的事实丢失，还实现了进度的可视化与跨Agent的无缝协作。
核心技术机制详解
SearchOS的技术实力体现在其精细化的调度与干预机制上。首先，在任务调度层面，系统采用了Micro-batch（微批处理）思路，将搜索过程视为search、open、find的流水线。多个Search Agent被错峰派发，交叠推进，形成了连续的调度机制。当一个Agent完成当前任务槽位后，系统会立即补入新的子任务。这种流水线并行策略显著提升了系统的吞吐量，实验数据显示，相比传统批处理方式，任务完成时间降低了约24%，同时LLM调用次数减少了约13%。
其次，中间件干预机制是保障搜索质量的安全阀。SearchOS在模型与工具之间插入了三层中间件：Context Middleware、Sensor Middleware和Evidence Extraction Middleware。Context Middleware负责控制注入上下文的大小，防止信息过载；Sensor Middleware能够实时识别Agent的循环查询或停滞状态，并自动触发策略切换，避免陷入死循环；Evidence Extraction Middleware则专注于结构化数据的抽取，确保每一条输出数据都能准确锚定到原始网页的具体位置，实现citation的自动化生成。
此外，SearchOS拥有强大的动态模式演化能力。不同于依赖固定表结构的传统框架，SearchOS会根据实体发现的过程，实时调整关系模式的结构。研究表明，即使预先指定最优的固定结构（Oracle模式），其检索效果仍低于SearchOS的动态模式。这证明了其自适应性在应对真实世界复杂、多变的信息结构时的优越性。
技能库与交互体验
为了支撑上述复杂的架构，SearchOS预置了约280个层次化技能。这些技能分为两大类：策略技能（如排名检索、多跳搜索、实体消歧）和访问技能（如反爬处理、登录墙突破、动态页面渲染）。丰富的技能库使得系统在处理复杂查询时更加游刃有余。数据显示，启用这些预置技能后，搜索时间缩短了36.6%，API调用次数进一步降低了39%-43%。
在用户体验方面，SearchOS提供了CLI、全屏TUI以及Web工作台三种交互界面。用户不仅可以输入自然语言问题进行检索，还能实时观察到关系模式的构建过程、覆盖地图的补全状态以及各个Agent的任务执行流。对于长程任务，系统支持中断与恢复功能，用户可以随时暂停任务，复盘历史搜索轨迹，并在后续接续运行，极大地提升了操作的灵活性和可控性。
竞品对比与性能优势
在与同类框架Web2BigTable的对比中，SearchOS展现了显著的优势。Web2BigTable虽然也是基于表格的多智能体框架，但其状态管理较为简单，依赖固定的表格结构，且缺乏系统级的中间件干预和预置技能库，主要依赖模型自身的推理能力。
性能基准测试数据提供了有力的佐证。在WideSearch Item F1指标上，SearchOS达到了80.3，远超Web2BigTable的73.8；在WideSearch Row F1上，SearchOS以56.5对比54.5领先；而在更具挑战性的GISA Set F1指标上，SearchOS以76.5大幅领先于Web2BigTable的56.7。这些差异不仅体现在分数的提升上，更体现在搜索的全面性、准确性和效率上。
SearchOS的高吞吐量调度机制使其能够更高效地利用计算资源，而全链路证据追溯能力则满足了专业领域对严谨性的严苛要求。每一个生成的值都附带引用链接，支持从结论回溯至原始网页的具体位置，真正实现了“尽量找全、每条都有出处”的目标。
应用场景与未来展望
SearchOS的多维能力使其在多个专业领域具有广泛的应用前景。
在竞品与市场调研中，它可以系统性地收集竞争公司的融资轮次、产品功能、定价策略等信息，自动生成带出处的大规模对比表，为战略决策提供数据支持。
在学术文献综述领域，系统能够针对特定研究方向，枚举相关论文、作者、机构及发表会议，并自动补全关键结论与方法摘要，大幅缩短文献梳理的时间成本。
在投研与尽职调查中，SearchOS可以追踪目标企业的股东结构、高管变动、诉讼记录及财务数据，实现多源数据的交叉核验，降低投资风险。
此外，对于产品对比选型、开放域知识枚举等需要高召回率的任务，SearchOS也能提供高质量的结构化输出。
SearchOS的出现，标志着多智能体搜索从“对话式探索”向“系统化工程”迈出了关键一步。它通过将状态管理外化、引入关系型抽象以及构建完善的中间件体系，有效解决了长期困扰该领域的稳定性与可追溯性问题。随着人工智能技术的进一步发展，此类具备强结构感知能力和高协同效率的搜索框架，有望成为智能信息检索的基础设施，推动AI Agent在专业垂直领域的深度落地。
对于研究人员和开发者而言，SearchOS不仅提供了一个强大的工具，更提供了一个可研究的系统级架构范本。通过开源其代码与技术细节，SearchOS促进了学术界与工业界的交流，为构建更智能、更可靠的多智能体生态系统奠定了坚实基础。