Table-as-Search : Formuler la recherche d'information agentique à long terme comme un problème de complétion de tableau
Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion
February 6, 2026
Auteurs: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo
cs.AI
Résumé
Les agents actuels de recherche d'information (InfoSeeking) peinent à maintenir leur concentration et leur cohérence lors d'explorations à long terme, car le suivi des états de recherche – incluant la procédure de planification et les résultats massifs – dans un contexte de texte brut est intrinsèquement fragile. Pour résoudre ce problème, nous présentons Table-as-Search (TaS), un cadre de planification structuré qui reformule la tâche InfoSeeking comme une tâche de complétion de tableau. TaS transforme chaque requête en un schéma de tableau structuré maintenu dans une base de données externe, où les lignes représentent des candidats de recherche et les colonnes désignent des contraintes ou des informations requises. Ce tableau gère précisément les états de recherche : les cellules remplies enregistrent strictement l'historique et les résultats, tandis que les cellules vides servent de plan de recherche explicite. Surtout, TaS unifie trois tâches InfoSeeking distinctes : la recherche approfondie (Deep Search), la recherche étendue (Wide Search) et la recherche mixte difficile (DeepWide Search). Des expériences approfondies démontrent que TaS surpasse significativement de nombreuses méthodes de référence de pointe sur trois types de benchmarks, incluant des frameworks multi-agents et des systèmes commerciaux. De plus, notre analyse valide la robustesse supérieure de TaS dans les tâches InfoSeeking à long terme, ainsi que son efficacité, son extensibilité et sa flexibilité. Le code et les jeux de données sont publiquement disponibles à l'adresse 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.