Tabella-come-Ricerca: Modellare la Ricerca di Informazioni Agente a Lungo Orizzonte come Completamento di Tabelle
Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion
February 6, 2026
Autori: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo
cs.AI
Abstract
Gli agenti attuali di ricerca di informazioni (InfoSeeking) faticano a mantenere focus e coerenza durante esplorazioni a lungo termine, poiché il monitoraggio degli stati di ricerca, inclusi la procedura di pianificazione e i massicci risultati, all'interno di un unico contesto in testo semplice è intrinsecamente fragile. Per risolvere questo problema, introduciamo Table-as-Search (TaS), un framework di pianificazione strutturato che riformula il compito di InfoSeeking come un'attività di Completamento Tabellare. TaS mappa ogni query in uno schema di tabella strutturato mantenuto in un database esterno, dove le righe rappresentano i candidati di ricerca e le colonne denotano vincoli o informazioni richieste. Questa tabella gestisce in modo preciso gli stati di ricerca: le celle compilate registrano rigorosamente la cronologia e i risultati della ricerca, mentre le celle vuote fungono da piano di ricerca esplicito. Crucialmente, TaS unifica tre distinti compiti di InfoSeeking: Ricerca Profonda, Ricerca Ampia e la sfidante Ricerca Profonda e Ampia. Esperimenti estensivi dimostrano che TaS supera significamente numerosi baseline allo stato dell'arte su tre tipi di benchmark, inclusi framework multi-agente e sistemi commerciali. Inoltre, la nostra analisi convalida la robustezza superiore di TaS nelle ricerche di informazioni a lungo termine, insieme alla sua efficienza, scalabilità e flessibilità. Il codice e i dataset sono rilasciati pubblicamente su 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.