Tabela-como-Busca: Formulação da Busca de Informação Agente de Longo Horizonte como Preenchimento de Tabela
Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion
February 6, 2026
Autores: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo
cs.AI
Resumo
Os agentes atuais de Busca de Informação (InfoSeeking) lutam para manter o foco e a coerência durante a exploração de longo horizonte, uma vez que o rastreamento dos estados de busca – incluindo o procedimento de planeamento e os resultados massivos da pesquisa – dentro de um único contexto de texto simples é inerentemente frágil. Para resolver isso, introduzimos o Table-as-Search (TaS), uma estrutura de planeamento estruturado que reformula a tarefa de InfoSeeking como uma tarefa de Preenchimento de Tabela. O TaS mapeia cada consulta num esquema de tabela estruturado mantido numa base de dados externa, onde as linhas representam candidatos de busca e as colunas denotam restrições ou informações necessárias. Esta tabela gere precisamente os estados de busca: as células preenchidas registam rigorosamente o histórico e os resultados da pesquisa, enquanto as células vazias funcionam como um plano de busca explícito. Crucialmente, o TaS unifica três tarefas distintas de InfoSeeking: Busca Profunda (Deep Search), Busca Ampla (Wide Search) e a desafiadora Busca Profunda e Ampla (DeepWide Search). Experiências extensivas demonstram que o TaS supera significativamente inúmeras baselines state-of-the-art em três tipos de benchmarks, incluindo estruturas multiagente e sistemas comerciais. Além disso, a nossa análise valida a robustez superior do TaS em InfoSeeking de longo horizonte, juntamente com a sua eficiência, escalabilidade e flexibilidade. O código e os conjuntos de dados estão publicamente disponíveis em 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.