SAGE: Generazione di Dati Agente Orientabile per la Ricerca Approfondita con Feedback di Esecuzione
SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback
January 26, 2026
Autori: Fangyuan Xu, Rujun Han, Yanfei Chen, Zifeng Wang, I-Hung Hsu, Jun Yan, Vishy Tirumalashetty, Eunsol Choi, Tomas Pfister, Chen-Yu Lee
cs.AI
Abstract
Gli agenti di ricerca approfondita, progettati per rispondere a domande complesse che richiedono ragionamenti su più documenti, possono accelerare significativamente il processo di ricerca di informazioni. Raccogliere annotazioni umane per questa applicazione risulta economicamente proibitivo a causa delle traiettorie di esplorazione lunghe e complesse. Proponiamo una pipeline agentica che genera automaticamente coppie domanda-risposta di alta qualità e a difficoltà controllata per un determinato corpus e un livello di difficoltà target. La nostra pipeline, SAGE, consiste in un generatore di dati che propone coppie QA e un agente di ricerca che tenta di risolvere la domanda generata fornendo feedback esecutivo al generatore. I due componenti interagiscono per più round per affinare iterativamente le coppie domanda-risposta finché non soddisfano il livello di difficoltà target. La nostra valutazione intrinseca mostra che SAGE genera domande che richiedono strategie di ragionamento diversificate, aumentando significativamente la correttezza e la difficoltà dei dati generati. La nostra valutazione estrinseca dimostra un miglioramento delle prestazioni relativo fino al 23% su benchmark popolari di ricerca approfondita addestrando gli agenti con i nostri dati sintetici. Esperimenti aggiuntivi mostrano che agenti addestrati sui nostri dati possono adattarsi dal recupero su corpus fisso alla Ricerca Google durante l'inferenza, senza ulteriore addestramento.
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.