Búsqueda como Tabla: Formular la Búsqueda de Información Agente de Largo Horizonte como Completado de Tablas
Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion
February 6, 2026
Autores: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo
cs.AI
Resumen
Los agentes actuales de Búsqueda de Información (InfoSeeking) tienen dificultades para mantener el enfoque y la coherencia durante exploraciones de largo horizonte, ya que el seguimiento de los estados de búsqueda, incluidos el procedimiento de planificación y los resultados masivos de búsqueda, dentro de un contexto de texto plano es inherentemente frágil. Para abordar esto, presentamos Table-as-Search (TaS), un marco de planificación estructurado que reformula la tarea de InfoSeeking como una tarea de Completado de Tabla. TaS mapea cada consulta en un esquema de tabla estructurado mantenido en una base de datos externa, donde las filas representan candidatos de búsqueda y las columnas denotan restricciones o información requerida. Esta tabla gestiona con precisión los estados de búsqueda: las celdas llenas registran estrictamente el historial y los resultados de búsqueda, mientras que las celdas vacías sirven como un plan de búsqueda explícito. Crucialmente, TaS unifica tres tareas distintas de InfoSeeking: Búsqueda Profunda (Deep Search), Búsqueda Amplia (Wide Search) y la desafiante Búsqueda Profunda y Amplia (DeepWide Search). Experimentos exhaustivos demuestran que TaS supera significativamente a numerosos sistemas de referencia de última generación en tres tipos de benchmarks, incluyendo marcos multiagente y sistemas comerciales. Además, nuestro análisis valida la robustez superior de TaS en InfoSeeking de largo horizonte, junto con su eficiencia, escalabilidad y flexibilidad. El código y los conjuntos de datos se han publicado públicamente en https://github.com/AIDC-AI/Marco-Search-Agent.
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.