Tabel-als-Zoekopdracht: Formuleer Lange-Termijn Agent-Gestuurd Informatie Zoeken als Tabelinvulling
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
Samenvatting
Huidige informatiezoekende (InfoSeeking) agents hebben moeite om focus en samenhang te behouden tijdens verkenning op lange termijn, omdat het bijhouden van zoekstatussen, inclusief planningsprocedures en massale zoekresultaten, binnen één platte-tekstcontext inherent kwetsbaar is. Om dit aan te pakken, introduceren we Table-as-Search (TaS), een gestructureerd planningsraamwerk dat de InfoSeeking-taak herformuleert als een Tabelinvultaak. TaS vertaalt elke zoekopdracht naar een gestructureerd tabelschema dat wordt bijgehouden in een externe database, waarbij rijen zoekkandidaten vertegenwoordigen en kolommen beperkingen of vereiste informatie aanduiden. Deze tabel beheert de zoekstatussen nauwkeurig: ingevulde cellen registreren strikt de geschiedenis en zoekresultaten, terwijl lege cellen dienen als een expliciet zoekplan. Cruciaal is dat TaS drie verschillende InfoSeeking-taken verenigt: Diep Zoeken, Breed Zoeken en de uitdagende DiepBreed-Zoektaak. Uitgebreide experimenten tonen aan dat TaS aanzienlijk beter presteert dan tal van state-of-the-art baseline-systemen op drie soorten benchmarks, inclusief multi-agent raamwerken en commerciële systemen. Verder valideert onze analyse de superieure robuustheid van TaS bij InfoSeeking op lange termijn, naast de efficiëntie, schaalbaarheid en flexibiliteit ervan. Code en datasets zijn openbaar vrijgegeven op 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.