简介:本文围绕深度搜索Agent的迭代式、规划式、评估反馈式与递归式架构展开对比,解析问题拆解、结果评估、动态调度与成本控制等关键差异,并结合场景给出选型建议与迁移注意事项,帮助技术团队构建更可靠的搜索智能体。
本文对比的对象,是深度搜索Agent领域常见的四类架构:迭代式搜索Agent、Planner-Only规划式架构、加入评估反馈的双模块架构,以及递归式搜索架构。这些架构都服务于同一个目标:让智能体在复杂任务中能够自动检索、收集证据、整理信息,并最终给出可解释、可追溯的回答。不同架构的核心差异,主要体现在“如何拆解复杂问题”和“如何判断搜索结果是否足够”这两个关键问题上。理解这些差异,有助于团队在效果、延迟、成本、可维护性之间做出更合理的工程选择。
深度搜索Agent并不是简单的问答机器人,而是需要面对多轮推理、多源检索、证据归纳和答案生成的任务型智能体。它通常用于复杂研究、竞品调研、行业分析、知识检索、报告生成、问题诊断等场景。与传统搜索不同,深度搜索Agent往往不能只靠一次关键词检索完成,而是需要围绕目标不断追问、补充条件、验证结论。
原始问题可以抽象为两个核心挑战:
不同架构对这两个问题的处理方式不同。简单架构实现成本低、链路短,但面对复杂问题时能力上限明显;复杂架构控制更精细、闭环更完整,但研发、调用和运维成本也更高。因此,架构选择并不是越复杂越好,而是要匹配业务问题的复杂度、团队工程能力和成本约束。
迭代式搜索Agent是最基础的一类实现,通常遵循“思考—行动—观察—再思考”的循环。其基本流程是:接收用户问题,由模型判断下一步是否需要搜索,调用检索工具,观察搜索结果,再决定继续搜索还是生成答案。
这类架构的优势是简单直观,开发门槛较低,适合问题目标明确、检索路径较短的场景。例如“某个概念的定义是什么”“某个指标的大致范围是多少”等事实型问题,往往通过少数几次检索即可完成。
但迭代式架构的问题也很明显:它缺少全局规划。当任务复杂度上升时,Agent容易陷入局部搜索,反复调用相似查询,却难以判断是否已经覆盖所有关键点。此外,如果没有外部预算或评估机制,迭代次数可能不可控,导致延迟和调用成本上升。
Planner-Only架构在迭代式基础上引入了规划器。规划器负责在正式执行前分析用户问题的复杂度,将任务拆分为若干子任务,并为每个子任务指定目标、输出格式、工具使用建议和理由。
这类架构的核心价值在于“先规划,后执行”。它让Agent在搜索前先建立全局视角,避免盲目调用。例如面对一个对比分析类问题,规划器可以将其拆分为背景信息、指标定义、方案对比、风险提示等多个子任务,再分别检索不同维度的信息。
Planner-Only架构适合子任务边界较清晰的问题,尤其是需要多维度调研、结构化输出的任务。不过,它的能力高度依赖规划质量。如果规划器没有正确理解问题意图,或者拆分粒度过粗、过细,后续执行结果可能仍然不理想。此外,Planner-Only通常缺少执行后的充分性评估,只能依赖规划阶段是否完整。
评估反馈双模块架构是在规划和执行之外,再加入一个评估模块。评估模块负责判断当前搜索结果是否已经满足问题要求,包括信息是否覆盖、证据是否一致、是否存在缺口、是否需要重新规划或补充检索。
这类架构的最大特点,是形成了“规划—执行—评估—再规划/再执行”的闭环。它不再只依赖规划器一次性拆解,而是通过评估反馈不断修正路径。对于复杂问题,这种架构通常比单纯规划更可靠。
评估反馈架构的关键难点在于评估标准的设计。评估器需要判断“信息够不够”,但“够不够”往往不是单一阈值,而是由多个维度共同决定,例如:
因此,评估反馈架构更适合复杂研究、企业知识问答、合规审查、多源信息汇总等对准确性要求较高的场景,但也需要投入更多资源进行评测集建设、阈值调优和异常兜底。
递归式搜索架构可以看作规划式架构的进一步扩展。它不是简单地把问题拆成固定数量的子任务,而是允许子任务继续被拆解,直到达到可回答的最小粒度。整体结构更接近树状或图状搜索,而不是单线或平铺。
例如,一个问题可能被拆成三个一级子问题,其中某个一级子问题仍然过于复杂,于是继续拆成二级子问题;二级子问题中有些可以直接搜索,有些则需要继续递归。递归架构的表达能力很强,适合开放式研究、探索性分析和复杂知识推理。
但递归架构也带来更明显的工程挑战:递归深度不可控可能导致调用链过长;重复子问题可能导致检索浪费;上下文不断膨胀会影响模型稳定性;如果缺少预算控制,成本会快速上升。因此,递归式架构通常需要配套的深度限制、去重机制、缓存机制、环检测和预算控制。
虽然四类架构差异明显,但它们在底层目标上高度一致:
都围绕检索与推理闭环展开
无论是迭代、规划、评估还是递归,核心过程都是根据问题产生检索需求,获取外部信息,再基于信息继续推理。
都需要工具调用与证据整合
深度搜索Agent通常依赖搜索接口、知识库、数据库查询、文档读取、网页内容抽取等通用能力。不同架构只是调用顺序和调度方式不同。
都关注上下文管理
多轮搜索会产生大量中间结果,如果上下文过长,模型可能遗忘关键信息。因此,所有架构都需要考虑摘要、压缩、引用、结构化存储等机制。
都需要失败恢复机制
搜索结果可能不完整、工具可能超时、模型可能误判。生产级系统需要重试、降级、兜底回答和人工接管机制。
都可以结合云上通用能力部署
例如对象存储用于保存检索结果,消息队列用于异步任务调度,容器平台用于运行服务,日志服务用于追踪调用链,监控告警用于观察延迟和失败率,身份认证用于控制访问权限。
四类架构最直观的差异在控制流:
控制流决定了系统复杂度。迭代式最轻量,递归式最复杂。架构越复杂,越需要清晰的日志、指标和预算控制,否则问题定位难度会显著增加。
迭代式主要依赖模型在每一步临时决定下一步动作,拆解能力有限。Planner-Only架构引入全局拆解,适合中等复杂度问题。评估反馈架构不仅拆解问题,还能根据执行结果补充新子任务。递归式架构则允许任意层级拆解,理论上适合最复杂的问题,但工程约束也最多。
这是深度搜索Agent的关键差异之一。
从工程角度看,评估反馈架构在“结果够不够用”这一点上更可解释,也更适合生产环境。但评估模块本身也会引入新的误差来源,因此需要充分测试。
成本不仅包括检索调用次数,还包括模型推理、上下文长度、工具调用、结果处理和人工审核成本。
在成本敏感场景下,应优先设置最大调用次数、最大递归深度、单任务预算和缓存复用策略。
架构越复杂,可观测性要求越高。迭代式可以关注单步日志;Planner-Only需要关注规划输出是否合理;评估反馈需要记录每次评估结论和触发原因;递归式则需要追踪完整递归树、重复节点、剪枝记录和深度分布。
生产系统建议至少记录以下信息:
深度搜索Agent会接触外部网页、内部知识库或业务数据,因此需要关注权限隔离、数据脱敏、访问审计和内容安全。递归式和评估反馈架构由于链路更长,潜在风险也更高,尤其是外部内容可能被当作不可信输入。系统需要将检索内容视为外部数据,避免其覆盖系统指令。
| 对比维度 | 迭代式架构 | Planner-Only架构 | 评估反馈架构 | 递归式架构 |
|---|---|---|---|---|
| 核心思路 | 逐步搜索,逐步推进 | 先拆解任务,再执行 | 规划后执行,再评估结果 | 多层递归拆解子问题 |
| 控制流复杂度 | 低 | 中 | 中高 | 高 |
| 动态性 | 局部动态 | 全局动态 | 全局动态加反馈修正 | 深层动态 |
| 结果充分性判断 | 依赖模型主观判断 | 依赖规划完整性 | 有独立评估机制 | 依赖递归终止条件 |
| 开发难度 | 低 | 中 | 高 | 高 |
| 运维复杂度 | 低 | 中 | 高 | 高 |
| 成本可控性 | 较好,但复杂任务可能重复 | 较好 | 中等,需要预算控制 | 较弱,需要强约束 |
| 可解释性 | 中等 | 较高 | 高 | 中等偏低 |
| 适用场景 | 简单问答、事实查询 | 结构化调研、对比查询 | 复杂报告、合规问答 | 开放探索、深度研究 |
如果问题主要是单一事实、定义、时间、数值等,迭代式或轻量规划式即可满足。此时过度引入评估反馈或递归架构,可能增加不必要的延迟和成本。
例如“比较两种技术方案在成本、性能、运维上的差异”,适合Planner-Only架构。规划器可以先将问题拆成多个维度,再并行检索,最后汇总成对比表格或结构化答案。
对于需要多轮验证、引用溯源、风险分析的复杂报告,评估反馈架构更合适。它可以判断当前证据是否足够,避免答案遗漏关键维度。如果业务对准确性要求较高,评估模块应作为重点建设对象。
如果问题边界模糊,例如“分析某个领域未来可能出现的关键变化”,递归式架构更有优势。它可以从宏观问题逐步拆到具体证据,再逐层归纳。但必须配套深度限制、预算控制和人工复核机制。
企业内部场景通常更强调权限、审计和稳定性。此类场景不一定需要最复杂的递归架构,但通常需要评估反馈能力,以确保答案能够对应到具体知识来源,并避免越权访问。
架构选型不应只看“是否先进”,而应看是否匹配问题特征。可参考以下判断:
如果团队处于早期验证阶段,问题边界清晰,可优先选择迭代式或轻量规划式架构。
这样可以快速验证价值,避免过早复杂化。
如果任务需要结构化输出,且子任务维度明确,可优先考虑Planner-Only架构。
规划器能够显著减少盲目搜索,提升结果组织度。
如果业务对答案完整性和可追溯性要求较高,建议引入评估反馈机制。
尤其是合规、金融、医疗、企业知识库等场景,应重点建设评估器、引用溯源和人工兜底。
如果问题开放性强、需要多层推理,可以考虑递归式架构,但必须设置预算、深度和去重机制。
不建议在缺乏监控和评测能力的情况下直接上生产。
如果成本敏感,应优先关注缓存、复用、剪枝和预算控制。
复杂架构的价值不能只看效果,还要看单位任务成本是否可承受。
迁移重点是把“隐式判断”变为“显式结构”。需要定义子任务的数据结构,例如目标、输出格式、依赖关系、工具建议、完成标准。同时要建立工具注册机制,让规划器能够理解可用检索能力。
新增评估模块时,不能只依赖模型主观判断,应建立可量化的评测集。评测集应覆盖简单问题、复杂问题、边界问题、冲突证据、缺失证据等类型。评估指标可包括子任务覆盖率、证据引用率、答案正确率、无效检索率等。
递归架构必须设置最大深度、最大子任务数量、总预算、重复节点识别和环检测。否则容易出现调用链过长、上下文膨胀和成本失控。
外部检索内容可能包含恶意指令或误导信息。系统应将检索结果作为数据处理,而不是作为系统指令。需要在模型调用前进行内容过滤、指令隔离和来源标注。
如果检索范围涉及企业内部知识,必须按用户身份进行权限过滤。不能因为模型能够访问某个知识库,就默认所有用户都能读取全部内容。需要结合身份认证、访问控制和审计日志。
建议监控单任务调用次数、平均延迟、失败率、缓存命中率、评估触发次数和递归深度分布。通过持续观测,才能判断架构是否真的提升了效果,而不是只是增加了复杂度。
深度搜索Agent的四类主流架构,本质上是围绕“问题拆解”和“结果充分性判断”给出的不同工程答案。迭代式架构简单直接,适合快速落地;Planner-Only架构强调全局规划,适合结构化调研;评估反馈架构通过闭环验证提升可靠性,适合复杂高价值场景;递归式架构具备更强的探索能力,但需要更严格的预算和风险控制。
在实际选型中,不应简单追求最复杂架构,而应综合评估问题复杂度、答案准确性要求、成本约束、团队运维能力和安全合规需求。对于多数企业应用而言,一个合理的演进路径可能是:先从迭代式或轻量规划式开始验证,再逐步引入评估反馈和预算控制,最后根据业务复杂度决定是否采用递归式架构。这样才能在效果、成本和稳定性之间取得更均衡的结果。