Argus提出证据组装方法，实现可扩展深度研究智能体并行搜索

Argus提出了一种证据组装方法，实现了可扩展深度研究智能体并行搜索。这套系统专门解决现有并行搜索中证据重复的问题，让智能体在复杂信息检索任务中真正完成互补而非重复的信息收集。其实，目前最先进的深度研究智能体虽然在并行搜索上扩展了推理时间，但多个并行 rollouts 往往产生重复证据，导致收益递减，还把上下文窗口推向极限。

并行搜索的痛点在哪？

长 ReAct 风格的展开只探索单一轨迹，而最新系统靠并行搜索来扩展推理时间。可麻烦在于，答案由互补的证据组成，并行 rollouts 常常重复而非完成，白白浪费计算资源。凭什么说它解决了这个问题？Argus 通过证据组装机制，让智能体在搜索过程中自动识别重复项，把新增证据高效整合进最终答案。

这套方法的具体实现

Argus 在搜索阶段就引入证据评估模块，实时判断新证据是否与已有信息重复。挺有意思的一点是，它把搜索轨迹视为证据碎片，通过组装策略避免上下文被重复内容填充。这就意味着，系统能在相同上下文长度下容纳更多有效信息，实现真正的可扩展性。

对深度研究任务的影响

可以说，证据组装方法让并行搜索从“堆计算”变成了“巧聚合”。深度研究任务需要整合分散信息源，Argus 的做法相当于给智能体装上了“证据拼图”能力——先收集碎片，再识别哪些是真正需要的部分。这样一来，即便并行 rollouts 数量增加，上下文也不会被无意义重复塞满。

这种设计思路的突破点

Argus 把搜索和组装分开处理：搜索阶段注重广度，组装阶段注重精度。这是个挺聪明的设计，因为传统方法把两者混在一起，导致并行搜索越多，证据重复越严重。Argus 相当于给智能体配了个“证据管家”，自动过滤重复、保留新内容，让每次搜索都有价值。

结语

Argus 提出的证据组装方法，为深度研究智能体的可扩展并行搜索提供了新思路。它没有依赖更长的上下文，而是通过智能识别和组装，让现有资源发挥更大效率。这套系统在复杂信息检索任务上的表现，确实值得关注。