SAGE: Generación de Datos Agénicos Direccionables para Búsqueda Profunda con Retroalimentación por Ejecución
SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback
January 26, 2026
Autores: Fangyuan Xu, Rujun Han, Yanfei Chen, Zifeng Wang, I-Hung Hsu, Jun Yan, Vishy Tirumalashetty, Eunsol Choi, Tomas Pfister, Chen-Yu Lee
cs.AI
Resumen
Los agentes de búsqueda profunda, diseñados para responder preguntas complejas que requieren razonamiento a través de múltiples documentos, pueden acelerar significativamente el proceso de búsqueda de información. La recopilación de anotaciones humanas para esta aplicación resulta prohibitivamente costosa debido a las trayectorias de exploración largas y complejas. Proponemos un pipeline agentico que genera automáticamente pares pregunta-respuesta de búsqueda profunda de alta calidad y dificultad controlada para un corpus dado y un nivel de dificultad objetivo. Nuestro pipeline, SAGE, consta de un generador de datos que propone pares de preguntas y respuestas, y un agente de búsqueda que intenta resolver la pregunta generada y proporciona retroalimentación de ejecución al generador de datos. Ambos componentes interactúan durante múltiples rondas para refinar iterativamente los pares pregunta-respuesta hasta que satisfacen el nivel de dificultad objetivo. Nuestra evaluación intrínseca muestra que SAGE genera preguntas que requieren diversas estrategias de razonamiento, mientras aumenta significativamente la corrección y dificultad de los datos generados. Nuestra evaluación extrínseca demuestra una mejora de rendimiento relativa de hasta el 23% en benchmarks populares de búsqueda profunda al entrenar agentes con nuestros datos sintéticos. Experimentos adicionales muestran que los agentes entrenados con nuestros datos pueden adaptarse de la recuperación en corpus fijo a la Búsqueda de Google durante la inferencia, sin necesidad de entrenamiento adicional.
English
Deep search agents, which aim to answer complex questions requiring reasoning across multiple documents, can significantly speed up the information-seeking process. Collecting human annotations for this application is prohibitively expensive due to long and complex exploration trajectories. We propose an agentic pipeline that automatically generates high quality, difficulty-controlled deep search question-answer pairs for a given corpus and a target difficulty level. Our pipeline, SAGE, consists of a data generator which proposes QA pairs and a search agent which attempts to solve the generated question and provide execution feedback for the data generator. The two components interact over multiple rounds to iteratively refine the question-answer pairs until they satisfy the target difficulty level. Our intrinsic evaluation shows SAGE generates questions that require diverse reasoning strategies, while significantly increases the correctness and difficulty of the generated data. Our extrinsic evaluation demonstrates up to 23% relative performance gain on popular deep search benchmarks by training deep search agents with our synthetic data. Additional experiments show that agents trained on our data can adapt from fixed-corpus retrieval to Google Search at inference time, without further training.