Tabelle-als-Suche: Formulierung langfristiger agentenbasierter Informationssuche als Tabellenvervollständigung
Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion
February 6, 2026
Autoren: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo
cs.AI
Zusammenfassung
Aktuelle Informationssuch-Agenten (InfoSeeking) haben Schwierigkeiten, den Fokus und die Kohärenz während langfristiger Exploration beizubehalten, da die Nachverfolgung von Suchzuständen – einschließlich Planungsprozedur und umfangreicher Suchergebnisse – innerhalb eines reinen Textkontextes inhärent fehleranfällig ist. Um dies zu adressieren, stellen wir Table-as-Search (TaS) vor, ein strukturiertes Planungsframework, das die InfoSeeking-Aufgabe als Tabellenvervollständigungsaufgabe neu formuliert. TaS bildet jede Anfrage auf ein strukturiertes Tabellenschema ab, das in einer externen Datenbank verwaltet wird, wobei Zeilen Suchkandidaten repräsentieren und Spalten Einschränkungen oder benötigte Informationen bezeichnen. Diese Tabelle verwaltet die Suchzustände präzise: ausgefüllte Zellen zeichnen den Verlauf und Suchergebnisse strikt auf, während leere Zellen als expliziter Suchplan dienen. Entscheidend ist, dass TaS drei verschiedene InfoSeeking-Aufgaben vereinheitlicht: Tiefensuche, Breitensuche und die anspruchsvolle Tiefen-Breiten-Suche. Umfangreiche Experimente zeigen, dass TaS zahlreiche state-of-the-art Baseline-Systeme auf drei Arten von Benchmarks, einschließlich Multi-Agenten-Frameworks und kommerziellen Systemen, signifikant übertrifft. Darüber hinaus validiert unsere Analyse die überlegene Robustheit von TaS bei langfristiger Informationssuche sowie dessen Effizienz, Skalierbarkeit und Flexibilität. Code und Datensätze sind öffentlich unter https://github.com/AIDC-AI/Marco-Search-Agent verfügbar.
English
Current Information Seeking (InfoSeeking) agents struggle to maintain focus and coherence during long-horizon exploration, as tracking search states, including planning procedure and massive search results, within one plain-text context is inherently fragile. To address this, we introduce Table-as-Search (TaS), a structured planning framework that reformulates the InfoSeeking task as a Table Completion task. TaS maps each query into a structured table schema maintained in an external database, where rows represent search candidates and columns denote constraints or required information. This table precisely manages the search states: filled cells strictly record the history and search results, while empty cells serve as an explicit search plan. Crucially, TaS unifies three distinct InfoSeeking tasks: Deep Search, Wide Search, and the challenging DeepWide Search. Extensive experiments demonstrate that TaS significantly outperforms numerous state-of-the-art baselines across three kinds of benchmarks, including multi-agent framework and commercial systems. Furthermore, our analysis validates the TaS's superior robustness in long-horizon InfoSeeking, alongside its efficiency, scalability and flexibility. Code and datasets are publicly released at https://github.com/AIDC-AI/Marco-Search-Agent.