INSIGHTAgent 框架需解决三个核心问题：工作流编排灵活性、性能稳定性和对商业 API 的依赖。MiroFlow 通过 Agent Graph + 可选深度推理模式 + 鲁棒执行引擎统一解决，且完全开源。

业务关联可作为社区搜索的 Agentic 基础框架，支持搜索+推理+工具调用的多步编排，尤其适用于复杂 UGC 内容理解场景。

证据在 GAIA、BrowseComp、WebWalkerQA 等多个 Agent 基准上达到 SOTA，且复现稳定，解决了 Agent 框架常见的不稳定问题。

INSIGHT让推理模型自己判断哪些 token 有用（而非依赖启发式规则），将 KV cache 管理作为与主任务并行的辅助任务执行，仅需 215 个样本训练即可有效工作。

业务关联对于社区搜索中的 deep research 场景（如多轮检索+跨文档推理），该方法可显著降低推理成本和延迟，使 Agentic 搜索在生产环境中更可行。

证据SideQuest 在保持推理质量的同时减少 KV cache 内存消耗，仅用 215 个训练样本就超越了现有启发式 KV 压缩方法。

INSIGHT将搜索行为嵌入推理链内部（而非 RAG 外挂），模型在遇到知识缺口时自主发起搜索，搜索结果直接融入思考过程。通过迭代在线 DPO 进一步提升工具调用质量。

业务关联WebThinker 的 Think-Search-Draft 范式可直接应用于社区搜索中的复杂查询处理：当简单检索无法回答时，系统自动触发深度搜索+推理，提升长尾 query 的回答质量。

证据在 GPQA、GAIA、WebWalkerQA、HLE 等基准上显著优于现有方法，使用 QwQ-32B 作为推理模型，已被 NeurIPS 2025 接收。

INSIGHT多轮搜索 Agent 的核心瓶颈不是检索能力，而是噪声累积导致的隧道视觉——早期检索中的噪声被强行解读后引发不可逆错误。SIGHT 用信息增益分数识别关键节点，仅在高信息增益路径上分支。

业务关联社区搜索中的复杂查询（如多条件筛选、隐含意图理解）需要多轮检索。SIGHT 的去噪+信息增益分支机制可直接提升多轮搜索 Agent 在此类场景下的准确率和效率。

证据通过自证据蒸馏（SES）将原始搜索结果过滤为高保真证据，信息增益引导的分支策略有效避免了对噪声路径的无效探索。

INSIGHT迭代式 RAG 的核心问题是错误传播——每一步的局部决策错误会沿推理链级联放大。RT-RAG 用树结构替代链结构，通过共识选择多条路径的最优分解，从根本上减少错误传播。

业务关联社区搜索中的复杂查询往往需要多跳推理。RT-RAG 的推理树方法可直接集成到搜索后处理环节，提升多跳查询的准确率。

证据在 3 个多跳 QA 基准上平均 F1 +7.0%、EM +6.0%，被 GLOW@WWW 2026 接收，代码已开源。

INSIGHT异构数据源的统一检索是实际搜索系统的核心痛点。RELOOP 的关键创新是 HSEQ——将不同数据类型编码为可逆的层次化序列，Head Agent 指导检索方向，Iteration Agent 通过结构操作精准获取证据。

业务关联社区搜索涉及多种 UGC 数据类型（帖子、问答、评论、表格、标签）。RELOOP 的异构数据统一检索能力可解决社区搜索中跨类型数据融合的难题。

证据在 HotpotQA（纯文本）、HybridQA/TAT-QA（表格+文本）、MetaQA（知识图谱）上均取得一致提升，同时控制 token 和 API 调用预算。

INSIGHT当前 LLM Agent 的 RL 训练依赖预训练知识，在需要发现新状态的环境中失效。EMPO2 的核心创新是记忆驱动的探索——Agent 利用记忆引导探索，混合更新策略确保有无记忆都表现良好。

业务关联社区搜索中用户查询模式持续变化（新话题、新表达），搜索 Agent 需要主动探索新信息源。EMPO2 的探索式记忆机制可帮助搜索 Agent 快速适应新领域。

证据在 ScienceWorld 上相比 GRPO 提升 128.6%，在 WebShop 上提升 11.3%；OOD 测试中仅需少量试验+记忆即可适应新任务，无需参数更新。

INSIGHT传统 RAG 假设信息存在于固定语料库中，但现实搜索环境是嘈杂、动态的开放网络。DeepResearcher 首次证明可以直接在真实 Web 环境中进行 RL 训练，让 Agent 学会处理噪声和不确定性。

业务关联社区搜索的内容池动态更新（新帖子、新话题），DeepResearcher 的开放环境 RL 训练方法可帮助搜索系统在动态 UGC 环境中持续优化检索策略。

证据相比 prompt engineering 基线提升 28.9 分，相比 RAG-based RL Agent 提升 7.2 分，在真实 Web 搜索环境中验证。

INSIGHT格式奖励（format rewards）对搜索 Agent 性能提升显著，而中间检索奖励作用有限。搜索引擎的选择对 RL 训练动态和推理鲁棒性有实质性影响。

业务关联对于社区搜索中部署 RL 训练的搜索 Agent，该研究提供了直接可用的工程指导：优先设计好格式奖励，慎重选择搜索后端，不必过度投入中间步骤奖励。

证据在多个 QA 基准上系统对比了奖励设计、模型规模、推理能力和搜索引擎选择的影响，代码已开源可复现。