SAGE : Génération de Données Agentiques Orientables pour la Recherche Approfondie avec Rétroaction d'Exécution
SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback
January 26, 2026
papers.authors: Fangyuan Xu, Rujun Han, Yanfei Chen, Zifeng Wang, I-Hung Hsu, Jun Yan, Vishy Tirumalashetty, Eunsol Choi, Tomas Pfister, Chen-Yu Lee
cs.AI
papers.abstract
Les agents de recherche approfondie, conçus pour répondre à des questions complexes nécessitant un raisonnement sur plusieurs documents, peuvent accélérer considérablement le processus de recherche d’informations. L’annotation manuelle pour cette application s’avère extrêmement coûteuse en raison de trajectoires d’exploration longues et complexes. Nous proposons un pipeline agentique générant automatiquement des paires question-réponse de haute qualité, à difficulté contrôlée, pour un corpus donné et un niveau de difficulté cible. Notre pipeline, SAGE, comprend un générateur de données qui propose des paires question-réponse et un agent de recherche qui tente de résoudre la question générée et fournit un retour d’exécution au générateur. Ces deux composants interagissent sur plusieurs rounds pour affiner itérativement les paires question-réponse jusqu’à ce qu’elles atteignent le niveau de difficulté souhaité. Notre évaluation intrinsèque montre que SAGE génère des questions mobilisant des stratégies de raisonnement variées, tout en améliorant significativement la justesse et la difficulté des données produites. Notre évaluation extrinsèque démontre un gain de performance relatif allant jusqu’à 23 % sur des benchmarks populaires de recherche approfondie, en entraînant les agents avec nos données synthétiques. Des expériences supplémentaires indiquent que les agents entraînés sur nos données peuvent s’adapter, au moment de l’inférence, d’un système de recherche sur corpus fixe à une recherche Google, sans apprentissage supplémentaire.
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.