本次查询：Tree Search
中文解释：树搜索
常见场景：大模型推理增强
一句话解释
Tree Search（树搜索）是一类通过遍历树形结构来寻找目标路径或最优解的算法。它从根节点出发，沿着分支逐步探索，直到抵达满足条件的叶子节点或达到搜索深度限制。在AI领域，树搜索常被用于游戏AI、机器人规划以及大模型的推理过程。
为什么会被关注
随着大语言模型在复杂任务中的广泛应用，模型单纯依靠自回归生成容易陷入局部最优或产生幻觉。树搜索通过显式地探索多种可能的推理路径，并评估每一步的优劣，显著提升了模型在多步推理、数学解题、代码生成等场景中的准确性和稳定性。
此外，树搜索与强化学习、蒙特卡洛方法结合后，能在未知环境中自主学习最优策略，成为实现通用人工智能的关键技术之一。OpenAI的o1模型系列、Google的AlphaZero等均深度依赖树搜索。
核心逻辑
树搜索的核心是'分解-探索-评估'。首先，将问题状态表示为树节点，每个节点对应一个决策或推理步骤。然后，从根节点开始，按照特定策略（如深度优先、广度优先、启发式）依次展开子节点。每到达一个新节点，系统会计算该节点的得分或收益，并决定是否继续深入或回溯。
优化版树搜索（如蒙特卡洛树搜索）引入了模拟和置信度上界，平衡探索与利用，避免陷入死胡同。在大模型中，树搜索通常配合评分模型或奖励模型，对每条推理路径打分，最终选择得分最高的路径作为答案。
常见场景
1. 游戏AI：围棋、象棋、电子游戏中，树搜索（如AlphaGo使用的MCTS）模拟对弈，搜索落子策略。2. 机器人路径规划：在障碍物环境中，树搜索（如RRT）高效找到从起点到终点的可行路径。3. 大模型推理增强：通过Tree of Thoughts（思维树）让模型同时探索多条思考链，选择最佳方案。4. 自动程序修复：在代码语法树中搜索可能的修改位置，找到最优补丁。
容易混淆的点
树搜索与'搜索算法'不同：搜索算法是广义概念，树搜索是其中一种依赖树形结构的具体实现。树搜索与'深度优先搜索'（DFS）容易混淆：DFS是树搜索的一种基础遍历策略，而树搜索包含了更多智能化的探索和剪枝机制。树搜索也不等同于'树结构'，后者只是数据的组织方式，搜索才是动作。
此外，部分用户将'思维树'（Tree of Thoughts）与树搜索等同，实际上思维树是树搜索在大模型推理中的一种应用框架，其核心依然是树搜索的迭代展开与评估逻辑。