M-ASK框架解析：多智能体协同搜索的技术突破

1. M-ASK框架深度解析：多智能体协同搜索的技术革命

在自然语言处理领域，智能体搜索（Agentic Search）正逐渐成为解决复杂问答任务的关键技术。传统检索增强生成（RAG）系统在面对多轮推理需求时往往力不从心，而单体架构的智能体搜索系统又普遍面临训练不稳定、输出冗余等痛点。中国人民大学与百度联合提出的M-ASK框架，通过创新的多智能体分工架构和奖励机制设计，为这些问题提供了系统性的解决方案。

1.1 智能体搜索的本质挑战

智能体搜索与传统RAG的核心区别在于其动态决策能力。当面对"比较GPT-4和Claude 3在代码生成方面的优劣，并分析其背后的技术差异"这类复杂问题时，智能体需要：

1. 自主规划搜索策略（先查各自的技术文档，再找对比评测）
2. 动态调整搜索方向（根据初步结果决定是否需要补充特定方面的信息）
3. 维护连贯的推理链条（确保各步检索结果能有机整合）

这种动态性带来了三个结构性难题：

• 输出膨胀：单体架构中LLM需要同时处理规划、检索、分析等任务，导致响应长度失控
• 信用分配：稀疏的最终奖励难以指导多步搜索的优化
• 噪声累积：搜索引擎的随机性与RL探索噪声相互叠加

实际案例：在HotpotQA数据集上，单体架构Search-r1的平均响应长度可达6000+token，其中有效信息占比不足20%，这种低效表达直接导致90%的训练崩溃率。

1.2 M-ASK的架构创新

M-ASK的核心突破在于将智能体搜索解耦为两类五个专业角色：

搜索行为代理（SBA）

• 规划代理：初始化推理轨迹和初步答案

  python复制def plan(question):
      # 生成初始子问题和答案骨架
      sub_queries = ["GPT-4的技术特点", "Claude 3的架构设计"]
      draft_answers = {"GPT-4": "...", "Claude 3": "..."}
      return ThinkingTrajectory(sub_queries, draft_answers)
  

• 搜索代理：评估信息缺口并生成搜索查询

  python复制def should_sea