首次对基于强化学习的智能体搜索（RL-based Agentic Search）进行了全面概述：基础、角色、优化、评估与应用

不同survey的对比

一、从"工具"到"决策者"的范式跃迁

传统RAG（检索增强生成）系统就像一个"图书馆借书机器人"——用户提问，它检索一次，生成答案，任务结束。但真实世界的复杂问题往往需要多轮推理、动态调整、策略规划。这正是Agentic Search的用武之地：

智能体搜索通过将LLM构建为一个自主决策的智能体，从而超越了RAG。模型不再是被动地使用检索到的文档，而是主动决定何时、何地以及如何搜索…

论文开篇就点明了核心痛点：LLM面临静态知识、幻觉问题，而传统RAG又是单次、启发式的。RL的引入让智能体能够通过试错自我改进，实现了从"被动检索"到"主动决策"的质变。

二、核心框架：RL赋能搜索的三维空间

论文提出了一个极具洞察力的分析框架，将RL在智能搜索中的作用解构为三个互补维度：

三维分析框架

这三大维度构成了我们理解这个领域的"黄金三角"：

1. What RL is for: RL的功能角色（决定何时搜、如何搜）
2. How RL is used: 优化策略（奖励设计、训练方法）
3. Where RL is applied: 优化范围（Agent级/模块级/系统级）

三、What - RL扮演什么角色？

这部分是整篇综述最精彩的内容。作者将RL的功能角色归纳为五大核心类别，并提供了详细的分类表：检索控制、查询优化、推理-检索融合、多智能体协作、工具知识整合

3.1 检索控制：让搜索变得"聪明"

传统RAG不管需不需要都会检索，而RL训练的智能体会自主判断：

• Search-R1学会了只在内部知识不足时才调用搜索引擎
• DeepRAG将复杂查询分解为原子子查询，逐个决策
• IKEA引入知识边界感知奖励，鼓励优先使用内部知识

关键洞察是：搜索不是越多越好，而是在正确的时间做正确的搜索。

3.2 查询优化：会说才会搜

用户提问往往是模糊的，RL让智能体学会"翻译"：

• ConvSearch-R1通过Rank-Incentive奖励，让改写后的查询能检索到更高排名的相关文档
• DeepRetrieval训练LLM生成符合特定搜索引擎偏好的查询（就像"黑进"搜索引擎）

3.3 推理-检索融合：边想边搜，边搜边想

这是Agentic Search的核心优势——推理与检索的闭环：

• AutoRefine奖励"搜索-思考-精炼"的迭代过程
• ReSum训练智能体主动总结历史交互，避免上下文溢出

3.4 多智能体协作：分工的艺术

两种架构：

• 规划-执行架构：高层规划器协调专业执行器（查询重写、文档选择）
• 合作多智能体：各模块作为独立RL智能体，共享全局奖励

OPERA采用分级RL，为规划、分析、改写代理提供定制化奖励信号。

⚙️ 第二维：How - RL如何优化？

4.1 训练范式：从冷启动到自我进化

标准流程是：SFT冷启动 → RL微调。但创新点在于：

• ZeroSearch完全放弃SFT，在潜在空间模拟检索，实现纯RL训练
• AgentGym-RL通过课程学习逐步扩展交互时长，从短任务到多步推理
• EvolveSearch开创自我进化循环：RL生成高质量轨迹 → 蒸馏为SFT数据 → 再RL训练

Search-R1的标准提示模板，要求模型先推理再搜索：

4.2 奖励设计：从结果到过程的精细化

奖励函数从单一到多维的演进：Outcome、Process

核心教训：有效代理需要平衡最终准确性与中间行为质量。

从强化学习优化策略视角看基于RL的智能体搜索概览。

第三维：Where - RL优化哪里？

将优化范围分为三级：Agent级、模块/步骤级、系统级

模块级优化的优势是无需重训大模型，如s3仅训练一个轻量搜索模块。而系统级框架如VerlTool提供统一接口，支持跨模态工具训练。

四、评估体系：如何衡量智能搜索？

6.1 数据集全景

列出了覆盖6大类的评估基准：

• 知识密集型QA: HotpotQA, 2WikiMultiHopQA（多跳推理）
• 网页搜索: GAIA, Mind2Web（真实浏览器环境）
• 多模态: InfoSeek, MM-BrowseComp（图文混合）
• 对话式: TopiOCQA, QReCC（多轮上下文）
• 领域专用: MATH, MedQA, OlympiadBench

6.2 评估指标

除了传统的EM/F1，Agentic Search需要新指标：

• 搜索效率：查询次数、API成本、响应时间
• 过程质量：信息增益、证据利用率、查询冗余度
• 多样性：O²-Searcher引入多样性奖励避免重复查询

🚀 应用实战：RLAgent正在改变这些领域

1. Deep Research: DeepResearcher, MedResearcher-R1实现自动化文献综述
2. 多模态搜索: MMSearch-R1, WebWatcher融合视觉与文本理解
3. 代码助手: Tool-Star协调搜索、执行、调试工具链
4. 对话助手: ConvSearch-R1在多轮对话中保持上下文
5. 企业搜索: HierSearch整合本地知识库与网页搜索

从强化学习优化策略视角看基于RL的智能体搜索概览。

## 如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】