SearchOS-V1: Op weg naar robuuste open-domein informatiezoekende agentensamenwerking
SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration
July 16, 2026
Auteurs: 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
Samenvatting
Recente vooruitgang in toolgeïntegreerde grote taalmodellen heeft webzoeken tot een kernfunctionaliteit van informatiezoekende agenten gemaakt. Naarmate interactiegeschiedenissen echter groeien, hebben agenten steeds meer moeite om de taakvoortgang bij te houden. Wanneer zoekpogingen geen nuttig bewijs opleveren, kunnen huidige enkel- en multi-agentsystemen vast komen te zitten in herhalingslussen, waardoor zoekbudgetten worden verspild en uiteindelijk de kwaliteit en volledigheid van de eindoutput worden aangetast. Wij introduceren SearchOS, een multi-agentframework op systeemniveau dat breekbare, impliciete zoekvoortgang omzet in expliciete, persistente en gedeelde toestand. Ten eerste formuleren we open-domein informatie zoeken als relationele schema-aanvulling met onderbouwde citaten, waarbij agenten entiteiten ontdekken, attributen invullen over gekoppelde tabellen, en elke waarde verankeren aan bronbewijs. Vervolgens ontwerpen we Search-Oriented Context Management (SOCM), dat de evoluerende toestand externaliseert naar een Frontier Task, een Evidence Graph, een Coverage Map en een Failure Memory. Gebouwd op SOCM past SearchOS een pijplijn-parallel planningsmechanisme toe dat de uitvoering van subagenten overlapt en voortdurend vrijgekomen slots opvult met taken die zich richten op onopgeloste dekkingshiaten, om benutting en doorvoer te verbeteren. Om de uitvoering van zoekagenten te plannen en te beheersen, introduceert SearchOS een Search Tool Middleware Harness die model- en toolinteracties onderschept om onderbouwde bewijzen te registreren en te reageren op stilstand of budgetuitputting, en biedt een herbruikbaar hiërarchisch vaardighedensysteem bestaande uit strategie- en toegangsvaardigheden om het zoekproces van de agenten te versterken en te voorkomen dat mislukte zoekpatronen over runs worden herhaald. Op WideSearch en GISA staat SearchOS bovenaan in alle metrieken onder de geëvalueerde enkel- en multi-agent baselines, en baant zo de weg naar robuuste informatiezoekende samenwerking.
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.