INSIGHT多模态搜索 Agent 需要结构化的推理链而非简单的检索-生成流水线；通过显式建模推理步骤间的依赖关系，可以显著提升跨模态搜索的准确性。

业务关联社区搜索中图文混合内容（如带图帖子、视频评论）日益增多，该方法为多模态 Agent 搜索提供了评估基准和增强思路。

证据在 MC-SearchBench 上，结构化推理链方法相比基线 MLLMs 在多模态搜索任务上提升 18.5% 准确率；覆盖文本、图像、表格三种模态。

INSIGHT单纯的 Deep Research 或 Wide Search 对高复杂度问题各有不足；Super Research 通过规划层统一调度深度探索和广度扫描，在需要跨领域综合推理的场景中表现更优。

业务关联社区搜索的高级功能（如主题综述、热点追踪）需要类似 deep+wide 的搜索策略；该架构可指导搜索 Agent 在答案综合场景中的设计。

证据在 HLE 上达到 31.2% 准确率（超 Deep Research 单模式 +4.6%）；在 BrowseComp 上达到 52.3%（超 Wide Search 单模式 +6.1%）。

INSIGHT过程奖励（process reward）在 Agentic RAG 的检索决策训练中优于结果奖励（outcome reward），因为它能更精确地指导 Agent 在每一步选择合适的检索动作。

业务关联搜索系统中 RAG 链路的优化（何时检索、检索什么）可以借鉴该工作的 RL 训练策略，用过程级奖励信号提升搜索 Agent 的多步决策质量。

证据在 HotpotQA 上 process reward 比 outcome reward 提升 F1 +5.8%；在 2WikiMultiHopQA 上提升 +4.2%；检索效率提升 23%（减少冗余检索步骤）。

INSIGHT推理模型在长链推理中的知识不确定性可通过动态搜索解决；Search-o1 在推理链中间插入搜索动作，让模型自主决定何时需要外部知识。

业务关联社区搜索中的复杂 query 回答（如专业领域问答）可以借鉴该方法，在生成答案过程中动态调用检索来补充实时信息。

证据在 GPQA、MATH-500、AIME 2024 等推理基准上，Search-o1 比 QwQ-32B 基线平均提升 +12.3%；搜索触发率约 35%，仅在必要时检索。

INSIGHT真实 agentic search 中 90% 的多轮会话不超过 10 步，Agent 复用已检索证据中 54% 的查询词；基于此可设计重复感知的早停机制和意图驱动的检索预算。

业务关联社区搜索若引入 Agent 驱动的多步检索，该数据分析结论可直接指导检索步数上限、query 复用策略和资源分配策略的设计。

证据基于 DeepResearchGym 平台 14M+ 请求；89% 步间间隔 <1 分钟；提出 CTAR（Context-driven Term Adoption Rate）指标量化 Agent 利用检索结果的程度。

INSIGHT通过在预训练阶段引入搜索工具调用的掩码任务，可以让 LLM 天然具备何时搜索、搜索什么的能力，无需复杂的 RL 训练流程。

业务关联社区搜索系统如果要将 LLM 作为搜索 Agent，该预训练方法可以降低训练成本，使模型自主学会在 query 理解和答案生成中何时调用检索。

证据在 HotpotQA 上 EM 提升 +7.3%，在 FEVER 上准确率提升 +5.1%；相比 RL-based 方法训练效率提升 3.5 倍。

INSIGHT深度搜索 Agent 的训练数据瓶颈可以通过自动化合成管线解决；问题生成器与搜索 Agent 协同迭代，自动产出多样化且高质量的训练样本。

业务关联社区搜索场景中标注搜索 Agent 训练数据成本高昂，SAGE 的合成数据方法可以低成本批量生成多步搜索训练样本。

证据合成数据训练的模型在 GAIA 和 BrowseComp 上比 baseline 提升最高 23%；数据可迁移至真实搜索场景无需额外训练。

INSIGHT工具调用 Agent 的训练难点在于用户意图模糊且动作需确定性执行；通过约束引导验证可以自动生成高质量训练信号，避免人工标注的瓶颈。

业务关联社区搜索中 Agent 需要调用多种工具（搜索、过滤、排序），CoVe 的约束验证机制可用于训练搜索 Agent 正确地组合工具调用。

证据在 ToolBench 上成功率提升 +11.2%；在 API-Bank 上准确率 +8.7%；相比 SFT 基线，多轮工具调用一致性提升 15.4%。

INSIGHT宽搜索（Wide Research）是深度搜索（Deep Research）的互补范式；通过动态 fork 并行子 Agent 并用 RL 优化多 Agent 协同轨迹，可以高效覆盖大规模搜索空间。

业务关联社区搜索的话题追踪、热点聚合等需要广度搜索的场景，可参考 WideSeek 的多 Agent 并行架构设计。

证据提出 WideSeekBench 基准；在广度搜索任务上比单 Agent 基线提升 +28.5% 召回率；多 Agent 数量从 2 扩展到 8 时性能持续提升。