WebSwarm：基於遞歸多智能體編排的深度與廣度網頁搜索框架

在信息获取日益复杂化的今天，基于大语言模型的网页搜索智能体正推动信息检索从简单的问答向深度且广度的研究型任务转变。然而，传统的单智能体方法受限于单一的长轨迹和有限的上下文窗口，难以同时兼顾搜索的深度与覆盖广度。现有的多智能体系统虽然通过并行执行和结果聚合提升了搜索覆盖率，但在递归深度、协作适应性以及基于证据的扩展能力方面仍存在明显瓶颈。针对这一核心痛点，本研究提出了WebSwarm，这是一种渐进式递归委派框架。其核心贡献在于打破了传统静态或多智能体并行执行的局限，通过在推理过程中动态联合构建任务分解、递归扩展与智能体协作机制，实现了对复杂搜索任务的灵活应对。WebSwarm不再依赖固定的搜索路径，而是允许智能体根据任务需求动态调整策略，从而在保持搜索深度的同时，有效扩展了信息的覆盖范围，解决了传统方法在复杂研究场景下的能力天花板问题。在技术实现层面，WebSwarm采用了一种创新的动态实例化机制，为每个搜索任务构建独立的智能体节点。

每个节点不仅耦合了局部子目标，还指定了特定的搜索模式，明确了该节点应如何组织搜索与协作。这种设计使得节点具备高度的自主性与适应性：节点既可以直接解决当前目标，也可以进一步委派子节点进行更深层次的探索。在信息回流方面，子节点在完成任务后会将证据和结果向上层节点返回，使得父节点能够基于这些反馈进一步扩展、修正或聚合搜索过程，形成一种自底向上与自顶向下相结合的递归结构。为了引导这一复杂的递归过程，WebSwarm引入了两项关键策略：首先，通过探测网页上任务相关信息的组织方式，为后续的节点扩展提供事实依据，确保证据 grounded；其次，通过复用同质子节点间的过程级经验，提升了搜索效率与一致性。这种将搜索模式与局部目标紧密结合的方法，使得整个系统能够在推理过程中动态适应任务变化，避免了固定模板带来的僵化问题。为了验证WebSwarm的有效性，研究团队在多个权威基准数据集上进行了广泛实验，包括BrowseComp-Plus、WideSearch、DeepWideSearch以及GISA。这些数据集涵盖了深度搜索、广度搜索以及深度与广度交织的复杂任务。

实验结果显示，WebSwarm在所有测试基准上均一致地优于单一的ReAct式智能体以及现有的多智能体基线模型，特别是在需要同时兼顾深度挖掘与广度覆盖的任务中，优势尤为明显。进一步的消融实验深入分析了各组件的贡献，揭示了任务难度、网页工具效率以及模型泛化能力对系统性能的影响。分析发现，递归委派机制在处理高难度任务时能显著提升答案的准确性，而基于证据的扩展策略则有效减少了幻觉现象。此外，对同质节点经验复用的分析表明，这种机制不仅加快了收敛速度，还提高了搜索结果的稳定性，为理解多智能体搜索系统的内在机制提供了宝贵的实证依据。WebSwarm的提出对开源社区与工业落地具有深远的意义。在开源社区，该框架为构建更智能、更具适应性的搜索代理提供了新的架构范式，鼓励研究者探索更复杂的递归协作机制。在工业落地方面，随着用户对信息检索需求的日益精细化，WebSwarm所展现的深度与广度兼顾能力，使其在金融分析、学术调研及复杂决策支持等领域具有巨大的应用潜力。它不仅仅是一个搜索工具，更是一个能够模拟人类研究思维的智能体系统，通过递归委派与证据驱动扩展，逐步逼近问题的本质。此外，本研究对多智能体协作中经验复用与动态模式选择的深入分析，也为后续研究提供了重要的理论参考，推动了自然语言处理与多智能体系统交叉领域的发展，预示着未来智能体将更加注重推理过程的灵活性与证据的可靠性。