SearchOS-V1: Verso una Collaborazione Robusta tra Agenti per la Ricerca di Informazioni in Dominio Aperto

SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration

July 16, 2026

Autori: Yuyao Zhang, Junjie Gao, Zhengxian Wu, Jiaming Fan, Jin Zhang, Shihan Ma, Yao Yao, Weiran Qi, Chuyan Jin, Guiyu Ma, Xingzhong Xu, Kai Yang, Ji-Rong Wen, Zhicheng Dou

cs.AI

Abstract

I recenti progressi nei Large Language Models integrati con strumenti hanno reso la ricerca web una capacità fondamentale per gli agenti di reperimento di informazioni. Tuttavia, con la crescita delle storie di interazione, gli agenti incontrano crescenti difficoltà nel monitorare l'avanzamento del compito. Quando i tentativi di ricerca non riescono a produrre evidenze utili, gli attuali sistemi a singolo e multi-agente possono rimanere intrappolati in cicli ripetitivi, sprecando budget di ricerca e compromettendo infine la qualità e la completezza dell'output finale. Presentiamo SearchOS, un framework multi-agente a livello di sistema che trasforma lo stato di avanzamento implicito e fragile della ricerca in uno stato esplicito, persistente e condiviso. In primo luogo, formalizziamo il reperimento di informazioni in dominio aperto come completamento di schema relazionale con citazioni fondate, in cui gli agenti scoprono entità, popolano attributi attraverso tabelle collegate e ancorano ciascun valore a prove documentali. Successivamente, progettiamo la Gestione del Contesto Orientato alla Ricerca (Search-Oriented Context Management, SOCM), che esternalizza lo stato in evoluzione in un Compito di Frontiera, un Grafo delle Prove, una Mappa di Copertura e una Memoria degli Insuccessi. Basandosi su SOCM, SearchOS applica un meccanismo di pianificazione parallela a pipeline che sovrappone l'esecuzione dei sotto-agenti e riempie continuamente gli slot liberati con compiti mirati a risolvere i gap di copertura irrisolti, migliorando l'utilizzo e la produttività. Per pianificare e controllare l'esecuzione degli agenti di ricerca, SearchOS introduce un Harness Middleware per Strumenti di Ricerca che intercetta le interazioni tra modello e strumento per registrare evidenze fondate e reagire a stalli o esaurimento del budget, e fornisce un sistema di competenze gerarchico riutilizzabile composto da competenze strategiche e di accesso per potenziare il processo di ricerca degli agenti ed evitare la ripetizione di schemi di ricerca falliti tra diverse esecuzioni. Su WideSearch e GISA, SearchOS supera tutte le metriche tra i baselines a singolo e multi-agente valutati, aprendo la strada verso una collaborazione robusta nel reperimento di informazioni.

English

Recent advances in Tool-Integrated Large Language Models have made web search a core capability of information-seeking agents. However, as interaction histories grow, agents increasingly struggle to track task progress. When search attempts fail to yield useful evidence, current single- and multi-agent systems can become trapped in repetitive loops, wasting search budgets and ultimately compromising the quality and completeness of the final output. We introduce SearchOS, a system-level multi-agent framework that turns fragile, implicit search progress into explicit, persistent, and shared state. First, we formulate open-domain information seeking as relational schema completion with grounded citations, where agents discover entities, populate attributes across linked tables, and anchor each value to source evidence. Then we design Search-Oriented Context Management (SOCM), which externalizes the evolving state into Frontier Task, an Evidence Graph, a Coverage Map, and Failure Memory. Built on SOCM, SearchOS applies a pipeline-parallel scheduling mechanism that overlaps the execution of sub-agents and continuously refills freed slots with tasks targeting unresolved coverage gaps to improve utilization and throughput. To schedule and control the execution of search agents, SearchOS introduces a Search Tool Middleware Harness that intercepts model and tool interactions to record grounded evidence and react to stalls or budget exhaustion, and provides a reusable hierarchical skill system comprising strategy and access skills to augment the agents' search process and avoid repeating failed search patterns across runs. On WideSearch and GISA, SearchOS leads all metrics among the evaluated single- and multi-agent baselines, paving the way toward robust information-seeking collaboration.