Таблица-как-поиск: Формулировка долгосрочного агентского информационного поиска как задачи заполнения таблицы

Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion

February 6, 2026

Авторы: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo

cs.AI

Аннотация

Современные агенты информационного поиска (InfoSeeking) испытывают трудности с сохранением фокуса и связности в ходе долгосрочного исследования, поскольку отслеживание состояний поиска, включая процедуру планирования и массивные результаты, в рамках одного текстового контекста по своей природе ненадежно. Для решения этой проблемы мы представляем Table-as-Search (TaS) — структурированную систему планирования, которая переформулирует задачу InfoSeeking как задачу заполнения таблицы. TaS преобразует каждый запрос в структурированную схему таблицы, хранящуюся во внешней базе данных, где строки представляют кандидатов для поиска, а столбцы обозначают ограничения или требуемую информацию. Эта таблица точно управляет состояниями поиска: заполненные ячейки строго фиксируют историю и результаты поиска, тогда как пустые ячейки служат явным планом поиска. Ключевым моментом является то, что TaS унифицирует три различные задачи InfoSeeking: Глубокий поиск (Deep Search), Широкий поиск (Wide Search) и сложный Глубоко-Широкий поиск (DeepWide Search). Многочисленные эксперименты демонстрируют, что TaS существенно превосходит множество современных базовых методов на трех типах бенчмарков, включая мульти-агентные фреймворки и коммерческие системы. Кроме того, наш анализ подтверждает превосходную устойчивость TaS в долгосрочном информационном поиске, а также его эффективность, масштабируемость и гибкость. Код и наборы данных находятся в открытом доступе по адресу 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.