最新Agentic Search综述，RL让Agent自主检索，RAG逐渐成为过去式

大型语言模型（LLM）本身很强大，但知识是静态的，有时会“胡说八道”。为了解决这个问题，我们可以让它去外部知识库（比如维基百科、搜索引擎）里“检索”信息，这就是所谓的“检索增强生成”（RAG）。但这还不够，更高级的方法是让 LLM 变成一个能自主决策的“智能体”（Agent），它能自己决定“何时搜、搜什么、怎么搜、如何利用搜索结果”，这个过程就叫做“智能体搜索”（Agentic Search）。而要让这个智能体变得更聪明、更自适应，最好的方法之一就是用“强化学习”（RL）来训练它。

强化学习（RL）正好提供了“和环境交互—拿反馈—改策略”的自适应机制，于是本文写成首篇专门聚焦“基于RL的代理式搜索”的系统综述，来自宾夕法尼亚州立大学的研究者们用三条主轴组织全篇：What RL is for（RL在干什么）、How RL is used（RL怎么用）、Where RL is applied（RL用在何处），再配套评测与应用、开放挑战与展望。带您一文读懂RL如何赋能智能体搜索，从基础原理到评测与应用的全景脉络。

信息检索技术的发展历程

信息检索技术的发展其实是一条不断提升“智能化”水平的道路，理解这条路能帮我们看清当前的位置。最早的传统信息检索（IR），比如经典的BM25算法，就像一个图书馆的“图书目录”，您输入关键词，它给您返回一堆可能相关的书，但具体哪本、哪一页有用，得您自己判断。后来，检索增强生成（RAG）出现了，它更像一位“图书管理员”，您提出问题，它不仅帮您找到相关的书，还会翻到具体的某一页，把内容直接递给您，这大大提升了答案的准确性，但它的工作方式依旧是被动的。

代表性综述与这篇工作的比较。✓表示该主题是主要关注点；✗表示有限或未涵盖

当面对一个真正复杂的问题时，比如“分析一下最近AI芯片市场的竞争格局和未来趋势”，一次搜索是远远不够的。这时候就需要“智能体搜索”登场了，它扮演的是一个“智能研究员”的角色。它会先思考，把大问题拆解成“目前主流的AI芯片有哪些？”、“英伟达、AMD、谷歌的最新产品是什么？”、“市场份额和财报数据如何？”等一系列子问题，然后主动去搜索、阅读、整合信息，甚至在发现信息冲突或不足时，会主动调整搜索策略，再进行新一轮的探索，直到形成一份全面、可靠的报告。这篇论文告诉我们，强化学习正是训练出这种高级“研究员”的关键技术。

强化学习基础：RL如何训练智能体

那么，强化学习（RL）究竟是如何训练智能体的呢？您可以把它想象成一个“教练与运动员”的模型。LLM智能体是“运动员”，搜索引擎、数据库等外部工具是它训练的“场地”（环境），智能体的每一个搜索或推理行为都是一个“动作”。当智能体完成一次任务后，“教练”（奖励函数）会根据最终答案的质量（比如准确率、事实一致性）和过程的效率（比如搜索次数、API调用成本）给出一个“分数”（奖励或惩罚）。

强化学习的核心组件。智能体（Agent）在特定状态（State）下执行一个动作（Action），环境（Environment）会反馈一个奖励（Reward）并进入下一个状态，智能体根据这个循环来学习最优策略。

这个“分数”就是驱动智能体学习的核心信号。通过最大化累积奖励，智能体能逐渐学会，哪些动作序列能带来高分，哪些是无效的“瞎忙活”。研究者们在这篇论文中总结了当前最主流的几种训练算法，比如PPO（近端策略优化）、GRPO（组相对策略优化）和DPO（直接偏好优化），它们各有侧重：PPO像一位经验丰富的老教练，稳定但需要额外的“陪练”（价值网络）；GRPO则更轻量，通过让一组“克隆运动员”内部比较来学习，节省了资源；而DPO则另辟蹊径，直接学习“好动作”与“坏动作”之间的偏好差异，过程更简单直接。

三大维度：What、How、Where

维度一：强化学习究竟能做什么？（What RL is for）

您可能会问，RL具体能优化智能体搜索的哪些环节？研究者们将其归纳为五大核心角色，这远比简单地“触发一次搜索”要丰富得多，它贯穿了从理解问题到最终回答的全过程。

• 检索控制（Retrieval Control）：这是最基础也是最核心的功能，RL教会智能体进行“成本-收益”分析。它能自主决定一个问题是应该靠自己的内部知识回答，还是必须求助外部搜索；对于复杂问题，它还能学习决定搜索的“深度”和“持久度”，比如要不要进行多轮搜索；最终目标是实现高效搜索，用最少的搜索次数（降低成本和延迟）来解决问题，避免冗余操作。

• 查询优化（Query Optimization）：智能体生成的搜索查询质量直接决定了结果的好坏，RL 在这里扮演了“沟通桥梁”的角色。一方面，它能将用户在多轮对话中提出的模糊、依赖上下文的问题，重构成清晰、独立的搜索查询。另一方面，它还能学习特定搜索引擎的“脾气”，生成更符合其索引和排名偏好的查询，从而拿到更高质量的检索结果。

• 推理与检索的整合（Reasoning-Retrieval Integration）：高级的智能体搜索不是简单的“先搜后想”，而是“边搜边想、边想边搜”的动态过程。RL能够优化这种推理与搜索交织进行的过程，让推理的中间步骤指导下一步的搜索方向，而新的搜索结果又能反过来修正和深化推理路径。还有最重要上下文与记忆管理，在长周期的搜索任务中，RL还能帮助智能体管理有限的上下文窗口，学习决定哪些信息需要被记住、总结或遗忘。

• 多智能体协作（Multi-Agent Collaboration）：对于极其复杂的任务，单个智能体可能力不从心，这时就需要一个“智能体团队”。RL可以用来训练一个“规划者”智能体，它负责任务拆解和指挥，然后将子任务分配给专门的“执行者”智能体（如查询重写器、文档筛选器）共同完成复杂的搜索任务。通过共享的奖励机制，这些各司其职的智能体能够高效协同，共同完成一个宏大的搜索目标。

• 工具与知识的整合（Tool and Knowledge Integration）：现代AI应用不仅要会搜索文本，还要会使用计算器、代码解释器、甚至调用视觉模型来分析图片。RL可以训练智能体成为一个“多面手”，根据任务需求，灵活地在网页搜索、知识图谱（KG）或数据库查询、代码执行等多种工具和知识源之间进行选择和组合。

维度二：我们该如何使用强化学习？（How RL is used）

了解了RL能做什么之后，接下来的问题就是具体该怎么操作，这直接关系到您如何将这些理念落地到产品开发中。研究者们从训练范式和奖励设计两个方面给出了清晰的路线图，这对于您在实际开发中非常有指导意义。

• 训练范式（Training Regime）：一个非常标准且有效的流程是“SFT冷启动 + RL微调”，您可以将其理解为“先跟老师学，再自己练”。我们先用高质量的“专家范例”对模型进行监督微调（SFT），让它掌握基本的搜索和推理能力，知道“该怎么做”；然后，再通过强化学习（RL）进行微调，让智能体在真实或模拟的环境中自由探索，通过奖励信号学会“如何做得更好”，发现那些专家范例之外的最优策略。为了降低真实API调用的高昂成本和不稳定性，很多工作都在“模拟环境”中完成大部分训练，并通过“课程学习”（由易到难安排任务）来保证训练的稳定性。

• 奖励设计（Reward Design）：这是整个RL训练的灵魂，它直接决定了您想让智能体“学成什么样”。奖励可以分为两类：一是“结果级奖励”，它只看最终答案的质量（如精确匹配度、F1分数），有时也会综合考虑效率（如搜索次数）和多样性，这种方式简单直接但信号稀疏，智能体很难知道到底是哪一步做错了。二是“过程级奖励”，它为智能体在搜索过程中的每一步行为都提供即时反馈，例如，对带来“信息增益”的搜索给予奖励，对“冗余搜索”或“不忠实于原文”的行为给予惩罚，这种密集的指导信号对于训练智能体完成长链条、复杂任务至关重要。

• 智能搜索体的提示词模板：研究者在论文中贴出了一个标准的提示词模版，以Search-R1为例：

维度三：强化学习用在系统的哪个部分？（Where RL is applied）

在系统架构中，RL的应用范围也相当灵活，您可以根据产品的复杂度和优化目标，选择在不同层次上应用RL。研究者们将其划分为三个层次，从宏观到微观，层层递进。

• 智能体级别（Agent-level）：这是最彻底的应用方式，RL直接端到端地优化一个或多个智能体的完整决策策略。无论是单个智能体还是多智能体系统，它们的所有行为都由一个统一的、通过RL训练的策略来控制，目标是实现全局最优。

• 模块/步骤级别（Module-Level & Step-level）：这种方式更加轻量和灵活，它不是优化整个智能体，而是将RL聚焦于系统中的某个特定模块（如一个独立的搜索模块）或某个特定步骤（如查询生成）。例如，您可以只训练一个专门负责“查询重写”的RL模块，或者只在“是否需要搜索”这个决策点上使用RL，而系统的其他部分保持不变，这种“插件式”的优化方式更容易在现有系统中集成和测试。

• 系统级别（System-level）：这一层次的关注点在于构建统一的、可扩展的智能体搜索框架和评估基准。比如，像AgentGym-RL或RAG-Gym这样的平台，它们为研究者和开发者提供了一套标准化的环境、算法和评估工具，极大地推动了该领域研究的规范化和可复现性，让大家不再需要从零开始“造轮子”。

评估、应用与未来挑战

当然，一个技术好不好，最终要看它的实际效果和应用前景。研究者们在论文中系统地梳理了用于评估智能体搜索的“考场”（数据集）和“评分标准”（评估指标），以及它已经大放异彩的“应用领域”，这能帮助您更全面地衡量和定位自己的产品。

• 数据集（考场）：为了全面测试智能体的能力，学术界构建了多样化的数据集。这包括：需要深度知识的问答（如NQ、HotpotQA），模拟真实网页环境的搜索任务（如WebQA、GAIA），需要结合图文信息的“多模态搜索”，模拟用户连续提问的“对话式搜索”，以及面向数学、医疗、科学等特定领域的专业基准。这些多样化的“考场”确保了智能体不仅要会“开卷考试”，还要能应对各种复杂、动态的真实场景。

• 评估指标（评分标准）：评分标准也变得越来越立体。除了传统的答案质量指标（如精确匹配EM、F1分数、ROUGE），新的评估体系更关注过程。例如，“搜索效果”指标（如精确率、召回率）衡量找到的信息是否相关；“搜索效率”指标（如查询次数、API成本）评估智能体是否“经济实惠”；而“过程质量”指标（如每一步搜索带来的“信息增益”、对证据的“利用率”）则深入考察其思考过程的合理性。

• 典型应用：基于RL的智能体搜索已经在多个前沿领域展现出巨大潜力。例如，在深度研究领域，它可以像“科研助理”一样自动进行文献综述和假设生成；在多模态搜索中，它能结合图文信息进行商品搜索或数据分析；在代码智能体方面，它能自主搜索代码解决方案、执行并调试；在AI助手中，它能在多轮对话里更智能地理解用户意图，提供精准帮助。

不过，挑战依然存在。如何让智能体在处理文本、图像、音频等多种信息的“多模态搜索”中保持逻辑一致？如何为需要跨越数天甚至数周的“长时程研究任务”设计有效的记忆机制？以及，如何确保智能体在开放网络环境中不被恶意信息误导，保证其行为的“可信赖性”？这些都是亟待今后去探索和解决的课题。

多模态能力的重要性

您可能会特别好奇，在这么多挑战中，研究者们是否强调了某一个特定的方向？答案是肯定的，而且非常明确。在这篇论文的未来挑战部分，研究者们将“多模态智能体搜索”（Multi-modal Agentic Search）放在了首要位置，认为这是该领域走向成熟、解决真实世界问题的关键瓶颈。于这方向近期的热点，您可以看下DeepSeek最新开源的DeepSeek-OCR：

《AI的光学时刻来了，DeepSeek-OCR运行3B参数，仅6.2G，完美！》

论文专门开辟了一个小节来介绍多模态搜索的应用。其中提到了像 VRAG-RL（用于理解富含视觉信息的文档）、Visual-ARFT 和 WebWatcher（结合网页搜索和视觉分析）等前沿工作。这说明多模态搜索已经不是一个纯理论概念，而是有了切实的落地应用和研究方向。

结语

这篇综述论文为我们描绘了一幅清晰的蓝图：通过强化学习，我们可以将LLM从一个被动的知识检索工具，转变为一个能够主动规划、探索和学习的智能体。它不再是简单地执行“检索-生成”的线性流程，而是在一个动态的决策循环中，不断优化自己的信息获取与问题解决能力。研究者在最后的小结中特别强调：真正可用的系统离不开“面向场景的适配、多模态能力、资源效率管理”。

文章来自于微信公众号“AI修猫Prompt”。