INSIGHT多步搜索中的好文档不一定直接包含答案，它可能只提供能改写下一条 query 的关键实体；高 OER 实体进入下一跳查询的概率是非区分实体的 4.02 倍。搜索系统若仍按单轮相关性训练 retriever，会系统性漏掉这类路径价值，实践上应增加轨迹级反事实标签或实体区分度特征。

INSIGHT论文把长程搜索最易丢失的“还缺什么、证据来自哪里、哪些路径已失败”从对话上下文搬到可审计状态机，避免智能体靠记忆反复推断。社区搜索的深度问答可直接借鉴 coverage map 与 failure memory：按字段缺口派发子任务、原子提交证据，并在无覆盖增长时由中间件强制纠偏或停止。

INSIGHTAgentic RAG 未必需要更复杂的检索后端，关键是让模型把推理意图变成可控、可修复的词法约束。答案缺失实验中，LogicalRAG 将平均幻觉率从 12.8% 降至 8.3%，说明“失败的逻辑查询”也是明确的无证据信号；对短文本社区搜索，可先用布尔条件、字段过滤和 BM25 构建低成本 Agent 接口。

INSIGHT固定在根节点一次性拆题，无法利用中途发现的新实体和约束；递归委派允许搜索树随证据生长。消融中去掉递归后 BrowseComp-Plus 从 68.0% 降至 63.5%，去掉 web-probing 则工具调用从 137.03 激增至 239.90，表明结构化委派与轻量探路应同时设计，才能控制深度搜索成本。

INSIGHTAgent RL 研究迭代慢，往往不是算法而是多后端胶水造成的；Molt 让 agent 保持普通 Python 程序，奖励函数和轨迹协议可直接修改，同时明确拒绝在未生成 token 上训练。对要尝试搜索策略 RL 的团队，它适合作为可读、可追踪的实验底座，但论文也披露 128-expert 检查点存在约 1 nat 前向偏差，收敛等价性仍待验证。

INSIGHT相同模型仅改变 Harness 就能出现两位数分差，说明上下文渲染、状态和终止条件应作为模型能力的一部分共同评测。对搜索 Agent，可将长文档和工具结果按引用保留在运行时，只给模型有界预览；NOOA 在 ARC-AGI-3 中类型化 SQLite 记忆比文件笔记提高 11.8 点，也支持跨会话可审计与多 Agent 共享。

INSIGHT短期最优的记忆结构可能在长期部署中失效，原因是预算淘汰会删除仍有效但暂时不活跃的事实；搜索 Agent 的用户偏好、查询历史和证据缓存也有同样风险。建议把事实有效期、发送/接收来源和冲突关系作为一等字段，并分别做三周与九周回放测试，而不是只在短会话问答上选架构。

INSIGHT迭代检索的预算控制可先从“答案轨迹稳定性 + 模型内部 margin”做起，不必立即训练 value head。规则原样迁移到 9 个 BM25、9 个稠密检索配置和 550B 模型均无显著退化；反而加入 cross-encoder 停止信号会损失 4–14 F1，提示检索相关性不能替代“当前证据是否足以支撑答案”的判断。

INSIGHT技能可以作为开放任务生成与可靠验证之间的中间层：提出者围绕求解成功率约 50% 的能力边界造题，机器可读契约负责验真，避免无约束自生成把错误奖励带入 RL。对搜索 Agent，可把查询改写、站点访问、证据核验等拆成可执行技能，让失败轨迹反向更新技能库并持续生成刚好有学习价值的任务。