告别AI失忆：SearchOS如何用关系型架构重塑多智能体搜索协作
突破长程搜索瓶颈：从对话上下文到系统级状态外化
在人工智能内容生成的演进历程中，多智能体（Multi-Agent）系统因其强大的并行处理能力，逐渐成为解决复杂信息检索任务的核心架构。然而，随着任务复杂度的提升，传统基于对话上下文的Agent协作模式暴露出了明显的局限性。在长程搜索任务中，Agent往往面临“失忆”困境，即随着对话轮次的增加，早期获取的关键信息被压缩或遗忘；同时，缺乏全局视角的Agent容易陷入重复查询的循环，导致资源浪费且效率低下。更严重的是，搜索结果与原始来源之间的脱钩，使得最终生成的报告缺乏严谨的可追溯性。
针对这些系统级痛点，中国人民大学高瓴人工智能学院与蚂蚁集团联合推出了SearchOS。这不仅仅是一个简单的搜索工具，而是一套基于关系型数据库设计理念的多智能体搜索协作框架。SearchOS的核心创新在于将开放域信息检索抽象为动态关系模式，并通过面向搜索的上下文管理（SOCM）、流水线并行调度以及搜索工具中间层，从根本上重构了Agent的协作逻辑。它不再依赖脆弱的对话历史，而是通过系统级的状态外化，实现了多Agent间的共享状态、高效协作与全链路证据追溯。
核心架构解析：关系型抽象与动态模式演化
SearchOS的技术基石在于其独特的“关系型搜索抽象”。传统搜索任务通常被视为一系列独立的查询动作，而SearchOS将其定义为关系模式 S = ({T_m}, R)。其中，T_m代表表模式，包含列属性A_m与主键P_m；R代表表间关系。这种抽象使得各类复杂的检索任务——无论是简单的实体查找还是复杂的多跳推理——都能统一落到一套结构化的框架上。
在这一框架下，系统具备“动态模式演化”的能力。当Agent在搜索过程中发现新的实体或属性时，系统会自动调整表结构，边发现实体边补全属性。实验数据表明，这种动态调整机制优于预先指定最优固定结构的Oracle模式。因为在真实的开放域搜索场景中，信息的分布是非均匀且不可预知的，固定的表格结构往往无法灵活适应新发现的信息维度，而SearchOS的动态模式能够实时贴合检索场景的多样性，从而显著提升检索的召回率与准确率。
状态管理革命：SOCM与共享基础设施
SearchOS解决“失忆”问题的关键，在于其核心判断：搜索状态应存在于系统基础设施中，而非仅仅依赖于Agent的短期记忆。为此，框架引入了面向搜索的上下文管理（SOCM）机制。SOCM将任务状态外化为四类共享数据结构：Frontier Tasks（前沿任务）、Evidence Graph（证据图）、Coverage Map（覆盖率地图）以及Failure Memory（失败记忆）。
这种设计实现了跨Agent的实时同步与进度可视化。Orchestrator（编排器）通过查询这些共享状态，能够精准地规划调度，避免多个Agent执行重复任务。Evidence Graph确保了每一条结论都能回溯至具体的原始网页与位置，形成了完整的证据链。Coverage Map则让系统能够直观地看到哪些信息维度已被覆盖，哪些仍需深入挖掘。Failure Memory则记录了之前的失败尝试，帮助系统避免在相同的错误路径上反复消耗算力。这种系统级的状态管理，彻底改变了Agent之间“各自为战”的局面，使其成为一个高度协同的整体。
执行引擎：流水线并行与中间件干预
在调度机制上，SearchOS采用了微批处理（micro-batch）思路，将搜索过程视为search→open→find的流水线。多个Search Agent错峰进入流水线，交叠推进任务。连续派发机制确保在Agent完成当前任务后，立即补入新任务，从而最大化槽位利用率与墙钟效率。这种设计不仅提升了吞吐量，还有效降低了整体任务的完成时间。
为了进一步保障搜索的质量与稳定性，SearchOS在模型与工具之间插入了三层中间件干预机制。Context Middleware负责控制上下文规模，防止信息过载；Sensor Middleware能够识别循环与停滞状态，并在检测到Agent陷入死胡同时触发策略切换；Evidence Extraction Middleware则专注于结构化抽取，完成citation锚定与证据入库。这三层中间件如同系统的“神经系统”，实时监控并调节Agent的行为，确保搜索过程的高效与严谨。
技能体系与性能优势：数据佐证
SearchOS内置了约280个预置技能，涵盖了从排名检索、多跳搜索、实体消歧等策略技能，到反爬、登录墙突破、动态页面渲染等访问技能。这些层次化的技能库极大地增强了Agent应对复杂网络环境的能力。数据显示，使用这些预置技能后，搜索时间缩短了36.6%，API调用次数降低了39%-43%。
在与同类竞品Web2BigTable的对比中，SearchOS展现了显著的优势。Web2BigTable虽然也是多智能体表格信息收集框架，但其状态管理较为简单，模式构建依赖固定的表格结构，且缺乏系统级中间件。相比之下，SearchOS凭借动态关系模式、SOCM共享状态以及流水线并行调度，在WideSearch Item F1、WideSearch Row F1以及GISA Set F1等关键指标上均大幅领先。具体而言，SearchOS在WideSearch Item F1上达到80.3，远超竞品的73.8；在GISA Set F1上达到76.5，而竞品仅为56.7。此外，SearchOS的流水线并行机制使任务完成时间降低了约24%，LLM调用次数减少了约13%，同时提升了F1分数，实现了效率与质量的双重优化。
应用场景展望：从市场调研到学术综述
SearchOS的强大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，系统可以系统性收集竞品公司的融资轮次、产品功能、定价策略等信息，生成带出处的大规模对比表，为决策提供坚实的数据支持。在学术文献综述领域，针对特定研究方向，SearchOS能够枚举相关论文、作者、机构及发表会议，并补全关键结论与方法摘要，极大提升了文献梳理的效率与全面性。
在投研与尽职调查场景中，追踪目标企业的股东结构、高管变动、诉讼记录及财务数据，实现多源交叉核验，是SearchOS的典型应用场景。此外，对于产品对比选型以及开放域知识枚举（如列出特定奖项得主及其所属机构）等高召回率任务，SearchOS也能提供结构化、可追溯的高质量输出。其支持的CLI、全屏TUI与Web工作台，以及中断后恢复功能，使得用户能够灵活地监控和管理长程搜索任务，随时复盘历史搜索轨迹与证据链。
结语
SearchOS的出现，标志着多智能体搜索从“对话驱动”向“系统驱动”的重要转变。通过关系型抽象、动态模式演化、SOCM状态管理及流水线并行调度，它有效解决了长程搜索中的失忆、重复查询及证据脱钩等核心痛点。虽然开源项目仍需在更多复杂场景中进行验证与迭代，但其展现出的技术潜力与应用价值，无疑为构建高可靠、可追溯的AI搜索系统提供了全新的范式。随着技术的不断成熟，SearchOS有望成为企业级信息检索与知识发现的基础设施，推动人工智能在垂直领域的深度应用。