中科大：LLM结合搜索引擎的agent框架

📖标题：MindSearch: Mimicking Human Minds Elicits Deep AI Searcher
🌐来源：arXiv, 2407.20183

🛎️文章简介

🔸研究问题：如何有效结合搜索引擎的检索能力和大语言模型（LLM）的推理及信息整合能力，以解决复杂的网络信息检索。
🔸主要贡献：论文提出了一种名为MindSearch的LLM多代理框架，通过有效分解复杂查询和分层信息检索，提高了检索相关网络信息的精确度和召回率。

📝重点思路

🔺相关工作

🔸LLM工具利用：工具学习框架使LLM能够与各种工具无缝集成，例如搜索引擎、数据库和API，为复杂问题提供动态解决方案，最近的研究重点是增强工具集成。
🔸RAG：在解决知识密集型问题方面表现出显着的优势，特别是在集成搜索引擎的开放域场景中，能提供及时的信息并提供有效的解决方案，最近的研究重点是重新优化模型的训练框架。
🔸网络代理：从问答工具发展成为能够进行复杂Web交互的复杂系统，强化学习和行为克隆的结合提高自主和高效，推动该领域走向可扩展和多功能的解决方案。

🔺论文方案

🔸整体框架：MindSearch由高级规划器WebPlanner和网络搜索WebSearcher构成
🔸步骤1-规划：给定用户查询，WebPlanner通过图推理将用户问题分解为顺序或并行搜索子任务，分派到相应的WebSearcher执行搜索过程。
🔸步骤2-执行：WebSearcher进行分层信息检索，采用从粗到细的选择策略，生成多个相似查询以扩大搜索内容，并通过多种搜索API执行查询，选择最有价值的页面进行详细阅读。
🔸步骤3-反馈：每个回合WebPlanner收集搜索反馈并确定下一步，直至最后一个回合直接提供最终响应。

🔎分析总结

🔸MindSearch生成的响应更具体和详细，表明如何分解人类意图是解决问题的关键步骤。
🔸MindSearch在性能上显著优于其基础模型，提供了一种简单的方法来增强弱LLM的知识广度并减轻幻觉问题。
🔸将问题解决过程建模为迭代图构造，能够对复杂查询进行有效且充分的分解。
🔸分层信息检索，有助于提高检索到的相关网络信息的精确度和召回率。

💡个人观点

论文通过多代理框架有效结合了搜索引擎和LLM的优势，提供了一种高效的上下文管理方案。

附录