这项研究由清华大学、北京大学、蚂蚁集团与中国人民大学高瓴人工智能学院联合完成，今年6月以预印本形式上线，编号为arXiv:2606.09730。有兴趣深入了解技术细节的读者，可凭借该编号查阅完整的原始论文。

你是否曾想过，当你让一名助手处理一件复杂事务时，比如调查某个事件的来龙去脉，他汇报信息的方式会直接影响最终决策质量。如果他事无巨细地将每一个步骤都塞给你，你的大脑会迅速过载；但如果他能整理好关键信息，附上出处，并以简洁的方式呈现发现与判断，你才能在此基础上做出有效决策。这一套逻辑放在人工智能身上，同样成立。而这正是此项研究希望解决的核心问题。

研究团队开发了一套名为SearchSwarm的系统，其核心思路是：让一个“主侦探”AI负责规划、分析与判断，而将具体的信息搜集“跑腿”工作交给一批“外勤侦探”去执行。听起来简单，实则背后蕴含深意：主侦探如何判断哪些任务可以外包？外包时又如何清晰交代任务？外勤侦探交回的报告，又该如何验证其真实性？这一整套能力，研究团队将其定义为“委托智能”（delegation intelligence）。这项研究的贡献，就在于探索如何让AI真正精通这套能力体系。

最终训练出的模型SearchSwarm-30B-A3B，在四个顶级评测基准上都取得了同等规模模型中的最佳成绩：在BrowseComp上获得68.1分，中文版BrowseComp-ZH上获得73.3分，GAIA上获得82.5分，xbench-DeepSearch上获得80.8分。更值得一提的是，这个仅有约30亿活跃参数的轻量级模型，在不少测试中的表现甚至优于体积大十倍乃至数十倍的闭源大模型。研究团队已全面公开整套系统的框架设计、模型权重与训练数据，方便后续研究者继续深入探索。

一、问题的根源：AI的“脑容量”是有限的

要理解这项研究的意义，首先需要认清人工智能面临的一个根本性困境。

每个大语言模型在工作时都有一个“上下文窗口”，可以粗略理解为它一次能记住和处理的信息量上限。一旦超出这个范围，模型就无法再记住更多内容。简单的问答任务没有太大问题，但一旦任务变得复杂——比如进行深度的网络调研，需要搜索几十个网页、翻阅大量资料、并不断修正假设——模型的上下文空间很快就会变得拥挤不堪。

过去，应对这个问题的方法大多是“事后补救”：要么在超出阈值后删掉旧的对话历史，要么只保留最近几轮工具调用的结果，再或者将整个过程压缩成摘要。这些方法有一个共同弊端：它们都是被动式的，往往等到上下文空间即将耗尽才开始处理，而且处理方式相当机械，无论内容是否重要，一律采取删除或压缩操作。

研究团队将这一问题的理想解决方案描述为“主动且智能的上下文管理”。其核心思路是：在任务开始前就做好规划，将那些需要大量搜索和浏览的“体力活”外包给独立运行的子模型。子模型在属于自己的独立上下文中完成任务，仅将整理好的结论报告反馈给主模型。这样一来，主模型的上下文空间始终保持干净与整洁，主要用于思考和决策，而不是被海量的网页内容所填满。

从这个角度来看，SearchSwarm不必被理解成一个“多个AI协作”的复杂系统——本质上，它依然是同一个模型在工作，只不过这个模型学会了将自己“分身”为主侦探和外勤侦探两个角色。主侦探所看到的上下文是经过整理的报告，而非所有原始资料。研究团队强调，这与其说是一个多智能体系统，不如说是一种更智能的单智能体上下文管理方式。

二、系统框架：主侦探与外勤侦探如何协同工作

SearchSwarm的运作方式，可以通过一个侦探团队接手复杂案件来形象理解。

主侦探（主智能体）接到一个复杂问题，比如“某位1990年代的冷门学者在哪所学校的什么位置发表过某个特定观点”。他并不会立刻亲自翻阅资料，而是先分析任务结构：这个问题包含哪些独立的线索？哪些可以分开追查？哪些决定只有掌握全局视角的人才能做出？

在规划完成后，主侦探通过一个名为call_sub_agent的工具，将具体的调查任务分配给外勤侦探（子智能体）。每个外勤侦探都在完全独立的环境中工作，他们只知晓主侦探交代给自己的那份任务说明，对主侦探的整体进展一无所知。他们可以使用搜索引擎、访问各类网页、查阅学术文献、甚至运行代码——但他们无法再将任务进一步分派给别人，委托关系仅限于单层。

外勤侦探完成调查任务后，会提交一份整理好的报告给主侦探。这份报告仅包含关键发现及对应的信息来源，不含所有中间搜索步骤。主侦探在阅读报告后，会将其整合进自己的推理过程中，但并不会盲目相信——他可能会发现某份报告与其他报告存在矛盾，或者某个结论的引用来源不够可靠。这时，他会再次派出新的外勤侦探去核实相关疑点。

整个过程在数学上被形式化为：主智能体的轨迹由一系列“思考-行动-观测”步骤构成。当行动为call_sub_agent(b)时，子智能体在独立上下文中基于任务说明b完成一段完整的子轨迹，最终输出报告r。这份报告作为主智能体在该步骤的“观测”结果，回流到主流程中。子智能体的所有中间步骤，主智能体是无法看到的。

三、精心设计的“任务分配说明书”：四大核心原则

仅仅有分工还不够，关键在于如何分工。研究团队在设计“约束框架”（harness）时，总结了四条核心原则，这些原则决定了整套系统能否真正有效地运转。

第一条原则是“鼓励主动外包”。主侦探的上下文空间是宝贵的资源，每用一个token去查看原始网页，就少了一个token用于思考和判断。搜索和访问网页这类工作虽然步骤繁多，但认知含量相对较低——它们的本质是“找到信息”，而不是“判断信息的含义”。该框架明确指导主侦探：只有当某个子任务简单到外包的代价比直接执行更大时，才亲自动手；否则，应该将这类“体力活”交出去。

第二条原则是“全面的任务说明”。外勤侦探在接受任务时，对整个案件背景一无所知。如果主侦探仅简单交代一句“帮我查一下这个人在哪里工作”，外勤侦探很可能会去查找主侦探已经确认过的信息，导致白费功夫，或者直接搞错了方向。因此，框架要求主侦探在分配任务时，撰写一份完整的背景说明：该子任务在整个调查中的定位是什么？目前已经确认了哪些事实？还有哪些悬而未决的疑问？哪些方向已经尝试过但没有任何结果？哪些线索已被排除，原因又是什么？这样一来，外勤侦探才能开展真正有价值的工作，而不是重复主侦探已经完成的内容。

第三条原则是“主侦探保留核心判断权”。外勤侦探可能会犯错——误读信息来源、做出牵强的推论，或者在真正存在争议的地方选择了错误的一方。由于主侦探是唯一能看到所有外勤报告全貌的角色，只有他才能发现不同报告之间的矛盾，并判断某个结论是否与其他已知事实相冲突。框架明确规定：外勤侦探负责收集证据并检验具体的假设，但所有方向性的决策——比如追查哪条线索、何时结案、如何裁判相互矛盾的报告——都必须由主侦探独立做出，而不能被外勤报告牵着鼻子走。

第四条原则是“要求附带来源的报告”。由于主侦探无法查看外勤侦探的中间步骤，如果报告中的每个结论都没有注明来源，主侦探就无法区分“这是外勤侦探从可靠来源读到的事实”与“这是外勤侦探自己发挥的推断”。框架要求每一份外勤报告都必须为每个重要结论提供内联引用，并指向具体的网址。主侦探在收到报告后可以按图索骥进行核实，最终提交给用户的答案中也会保留这些来源，以便用户自己进行验证。

这四条原则共同构成了一套高效的约束框架。研究团队通过消融实验验证了其效果：在200道BrowseComp测试题上，仅给模型提供委托工具却不附加任何框架原则，分数从47.7提升到50.0，仅上涨2.3分；而在加入完整框架后，分数直接跃升至57.7，相较于基础配置提升了整整10分。由此可见，框架的质量，而非工具本身，才是真正决定成败的关键。

四、如何让AI真正掌握委托技能：训练数据的生成过程

框架解决了“如何在推理时引导模型行为”的问题，但还有一个更深层次的挑战：如果一个模型本身从未学习过如何委托任务，那么即使给它再详尽的操作说明，它也不会主动去使用委托功能。研究团队在实验中发现，直接将这套框架套用在没有经过针对性训练的基础模型上，模型根本不会触发call_sub_agent工具，其行为与什么都没加时完全一致。委托行为并不是仅靠指令就能激活的，它需要通过训练被真正内化进模型的底层逻辑之中。

训练数据的来源，正是这套框架本身在执行过程中产生的轨迹。研究团队从两个开源数据集RedSearcher和OpenSeeker中收集了大量复杂问题，让模型在框架的引导下去完成这些深度研究任务，并记录下完整的执行过程——包括每一步的思考、工具调用以及环境返回的结果——以此作为训练素材。

在收集数据时，团队使用了两种配置。第一种是同一个模型同时担任主侦探和外勤侦探的角色，两个角色的轨迹都作为训练数据保留下来。第二种配置则是使用一个更强的模型担任主侦探，配上一个相对较弱的模型担任外勤侦探，此时只保留主侦探的轨迹。第二种配置背后的逻辑颇具深意：当外勤侦探的表现不那么可靠时，主侦探就不得不更加仔细地审查报告，并更主动地去核实疑点，从而产生更具价值的训练轨迹——任务分解会更加审慎，结果验证也会更加严格。将两种配置的数据混合使用，能够让模型学习到更全面、更稳健的委托行为。

数据的筛选过程也相当严格。主侦探的轨迹只有最终答案正确的样本才会被保留；外勤侦探的轨迹则仅在其对应的主侦探轨迹正确时才得以保留；过短的外勤轨迹会被进行降采样处理。此外，包含有害行为的样本（比如重复调用完全相同的工具、伪造不存在的来源链接、或者将网页访问请求错误地通过代码解释器执行）都会被彻底清除。

主智能体的上下文窗口被设定为128K个token，子智能体为64K。当任何一方的上下文空间即将被撑满时，模型会被提示立即给出最终答案——这些在上下文空间边缘强制收尾的轨迹也被保留在训练集中，目的是让模型学会在同样的压力情境下，依然能够输出高质量的回答。

训练时采用标准的监督学习目标：让模型预测自己在每一步应该输出的内容（包括思考内容和工具调用），而环境返回的部分（例如搜索结果、网页内容、子智能体报告等）则被屏蔽，不参与损失计算。这样，模型学到的是“在看到当前上下文时该如何行动”，而不是去记忆环境返回的具体内容。

五、实验结果：一个“小”模型击败了一批“大”模型

SearchSwarm-30B-A3B的参数量，以当前的标准来看属于轻量级——大约仅有30亿活跃参数。然而，它在各项测评中的表现，让许多体积大得多的模型感到相当尴尬。

在BrowseComp上，它以68.1分的成绩超过了GPT-5.2-Thinking（65.8分）和Gemini-3.0-Pro（59.2分），并与DeepSeek V3.2（671亿活跃参数，67.6分）几乎持平。与同规模的基础模型Tongyi DeepResearch相比，SearchSwarm在这项测试上整整高出24.7分——从43.4分直接跃升至68.1分。在中文版BrowseComp-ZH上，SearchSwarm以73.3分的成绩同样领跑所有同规模模型。在GAIA上，82.5分的表现不仅超越了GPT-5（76.4分）和Seed-2.0-Pro（78.6分），仅有Step-3.5-Flash（84.5分，196亿活跃参数）在这一项上略胜一筹。在xbench-DeepSearch上，80.8分的成绩同样位列同规模模型中的最优。

研究团队还专门设置了一个对照组：他们将这套框架直接套用在未经训练的基础模型上（称为“Tongyi DR Swarm”）。结果发现，这个模型一次都没有触发过call_sub_agent工具，其行为完全等同于没有框架的原始版本。这个结果直接证明了一件事：委托行为并不会从框架中自然涌现，训练数据才是真正让其落地的关键因素。

六、意外的收获：委托训练带来的能力泛化

研究中有两个额外的发现，让这套方法的价值变得更加广泛。

第一个发现是，在委托场景下学到的能力，即使在没有委托工具的情况下也同样奏效。研究团队在完全屏蔽了call_sub_agent工具的单智能体配置下，分别测试了SearchSwarm和基础模型Tongyi DeepResearch的表现。结果显示，前者在BrowseComp子集上获得52.0分，后者获得43.5分；在BrowseComp-ZH上，前者是53.3分，后者是46.5分。值得注意的是，训练数据中根本没有任何不使用委托工具的轨迹——SearchSwarm之所以在单智能体配置下仍然表现得更好，完全是因为委托训练让它学会了更系统化地分解问题、更有条理地推进子问题的解答、以及更稳定地维持对整体进展的把控。这些能力是通用的，并不仅仅服务于委托这个特定的机制。

第二个发现是，在短答案深度研究任务上训练出来的模型，在需要撰写长篇综合报告的开放式任务上同样表现出色。研究团队在ScholarQA-v2、HealthBench、ResearchQA和DeepResearchBench这四个开放式基准上进行了测试。结果显示，SearchSwarm的平均得分为64.2分，而基础模型Tongyi DeepResearch仅有50.0分，提升了14.2分。在ScholarQA-v2上的提升尤为显著，从46.5分涨至79.2分，提升了整整32.7分。研究团队推测，这种泛化能力来自两个方面：一方面，委托训练教会了模型将复杂问题拆解成聚焦的子任务进行并行探索，这种结构化的调查方式在开放式研究中同样有用；另一方面，框架要求主智能体在每次给出最终答案时都附上完整的解释和内联引用，而子智能体的每份报告也要求每个结论都有出处，这种对“有根据地表达”的持续训练，让模型在需要撰写长篇、有据可查的回答时，自然更加得心应手。

七、行为分析：主侦探真的在“指挥”而非“执行”

为了确认模型的实际行为与设计意图是否一致，研究团队分析了不同工具在实际运行中的使用比例。

在主侦探端，call_sub_agent是使用频率最高的工具：在BrowseComp和BrowseComp-ZH上，它占据了主侦探所有工具调用的73.8%和72.5%；在GAIA和xbench上，这一比例略低，大约在43%至51%之间，但依然是最主要的操作。这充分说明，模型确实学会了将“体力活”外包出去。

在主侦探直接使用工具时，“访问网页”（visit）的比例明显高于“搜索”（search）——在GAIA上，visit占26.4%，而search仅占11.1%。这个模式很有意思：主侦探更倾向于跟随外勤报告里提到的来源链接去进行核实，而不是自己重新发起搜索。这正是“主侦探保留核心判断权”这一原则的直接体现。

外勤侦探端的表现则呈现出完全相反的模式：search在各个测试集上的比例在46.5%到76.6%之间，占据绝对主导地位，充分体现了其作为“信息搜集执行者”的角色定位。

此外，由于GAIA和xbench包含更多数学计算类问题，主侦探对代码执行工具（python）的调用比例（分别为11.6%和14.8%）明显高于外勤侦探（分别为4.0%和1.7%）。这说明模型学会了将计算任务留给自己处理，而将信息检索工作交出去。

研究团队还将答题正确与答题错误的情况分开进行分析。在答题正确的情况下，外勤侦探的调用次数集中在一个适中的范围内（BrowseComp和BrowseComp-ZH上峰值大约为3到5次，GAIA和xbench上大约为2到3次）；而在答题错误的情况下，调用次数的分布更加分散，并延伸到更高的范围。这反映了困难问题本身就需要更多轮次的探索，而即便如此，仍有一部分问题未能被成功解答。

八、附录：一道真实题目是如何被侦破的

论文的最后，以一道真实题目作为案例进行了展示，值得详细介绍，因为它将整套系统的工作方式展现得淋漓尽致。

题目的主要内容是：在澳大利亚东部某个州，州长共同承诺了联邦与州政府平摊的资金，用于某个重大道路项目。该项目的第一个北部路段在2025年末通车。这个尚未完工的高速公路的主要施工联合体，此前曾完成了2018年末破土动工的某个全国铁路升级工程的首段建设。该项目最初以不同的走廊名称进行规划，总投资略超过15亿澳元。请问，这究竟是哪个高速公路项目？

主侦探在阅读题目后，先将七个约束条件进行分类整理，并形成了初步假设（全国铁路升级工程很可能是“内陆铁路”项目）。随后，他直接分派了三个并行的外勤侦探，分别负责：调查2025年末北部路段通车的高速公路项目；调查2018年末破土动工的全国铁路升级工程首段；以及调查项目的历史走廊名称。三名外勤侦探各自完成调查后，都指向了同一个答案：昆士兰州的Coomera Connector（M9）高速公路。

主侦探在阅读完三份报告后，发现第五个约束存在一个微妙问题：高速公路的施工联合体（FHHMJV）和铁路项目的施工联合体（INLink JV）并不是同一个实体，只是都有富顿霍根（Fulton Hogan）公司参与其中。此外，“州长共同承诺资金”这个约束也还没有得到具体核实。主侦探随即又派出两名新的外勤侦探，专门去核实这两个关键点。

核实报告返回后，确认了富顿霍根确实在两个联合体中都担任主导角色，并且昆士兰州长Annastacia Palaszczuk在2020年9月20日，确实以联邦与州50:50的比例共同承诺了15.3亿澳元的投资。至此，七个约束条件全部得到了文献支撑。主侦探在最终的解答中，逐一列出了每个约束条件是如何被满足的，并明确说明了为什么其他候选项目（如悉尼M12高速公路、科夫斯港绕城路等）被排除，同时还附上了16条来源引用。

这道题的解题过程，完美地呈现了“鼓励外包”（第一步就分派任务而不是自己搜索）、“全面任务说明”（第二轮核实时将工作假设和具体疑点都写进了任务说明）、“主侦探保留核心判断”（主侦探自己发现了报告中的漏洞，而不是盲目接受）以及“带来源的报告”（每条结论都有链接可供查证）这四条原则的完整运作。

说到底，这项研究揭示了一个朴素的道理：聪明并不是一个人把所有事情都包揽下来，而是懂得哪些事情值得亲力亲为，哪些事情可以放心交给别人去做，同时确保交代清楚、结果可查、判断权掌握在自己手中。这套逻辑在人类组织中早已被证明行之有效。SearchSwarm的贡献在于探索出了一条让AI系统真正习得这种逻辑的路径——不仅仅依靠指令，而是通过训练数据将其刻入模型的“本能”之中。对于那些习惯将AI视为单打独斗的全能助手来看待的人来说，这项研究提供了另一种视角：或许，懂得合理分工的AI系统，才是应对真正复杂任务的正确形态。

对这一方向感到好奇的读者，可以通过arXiv:2606.09730查阅完整论文，或访问项目页面search-swarm.github.io获取模型权重与训练数据。

Q&A

Q1：SearchSwarm的“委托智能”与普通AI助手有什么区别？

A：普通AI助手在处理复杂任务时，会将所有搜索结果都塞进自己的记忆空间，很快就会被撑满，只能依靠机械地删除旧内容来腾出空间。而SearchSwarm的委托智能则让主AI主动将“体力活”外包给子AI来完成，子AI只将整理好的结论报告给主AI，这样主AI的“脑容量”始终留给思考与判断。关键区别在于，这是一种主动规划而非被动应对的方式，并且报告的质量由框架进行约束，而非随机压缩。

Q2：SearchSwarm的训练数据是如何生成的？

A：研究团队让模型在自行设计的约束框架引导下，去完成大量真实的深度研究任务，并将整个执行过程——包括思考、工具调用以及环境返回的结果——全部记录下来。他们只保留最终答案正确的轨迹，同时过滤掉重复工具调用、伪造引用、工具误用等问题样本。两种配置（同一模型自演主次角色，以及强主弱次搭配）的数据被混合使用，确保训练集既能覆盖正常的委托行为，也能覆盖主动核实与防错的场景。

Q3：SearchSwarm是否只能处理深度搜索任务？

A：并非如此。虽然训练数据全部来自短答案搜索类任务，但模型学到的能力——例如系统化分解问题、有条理地推进子问题、保持对整体进展的把握、以及提供有来源支撑的回答——在开放式长文研究任务上同样有效。实验中，SearchSwarm在ScholarQA-v2上相比基础模型提升了32.7分，在ResearchQA上提升了13.5分。这说明，这套委托训练带来的是更为通用的研究能力。