搜索智能体的关键一课：先立目标，再照镜子

随着 AI 能力不断增强，它正日益融入我们的工作与生活。我们也更愿意给予它更多「授权」，让它主动去搜集信息、分析证据、做出判断。搜索智能体正是 AI 触达人类世界迈出的重要一步。

然而，现实世界的搜索环境并不总是「信息增益」的来源；它也可能放大微小偏差、把模型带入错误轨道。如何让搜索智能体在复杂环境中更稳健，成为关键问题。

近期，上海人工智能实验室及合作单位提出了一个简单而有效的思路：让搜索智能体像人一样，先「立目标」，再「照镜子」。具体而言，模型在每一次搜索前都要明确「我想找什么」（goal-oriented planning），搜索后再判断「是否找到」（self-reflection）。

我们将这一思路实现为 RE-Searcher，并在多个开放域问答与多跳推理任务上取得了新 SOTA 表现，同时显著提升了对环境噪声与搜索脆弱性的抵抗力。

• 论文标题：RE-Searcher: Robust Agentic Search with Goal-oriented Planning and Self-reflection
• 论文链接：
• https://arxiv.org/abs/2509.26048

本文要点：

• 搜索环境是把双刃剑：既可能带来信息增益，也可能放大误差；
• RE-Searcher 通过「目标规划 + 自我反思」显式约束搜索路径，从错误轨迹中自我纠偏；
• 在 7 个数据集上平均表现达到 SOTA 水平，并在干扰测试中表现出显著的稳健性。

「信息增益」 or 「误差增幅」

现实搜索并非总是「问一得十」。我们的分析表明，搜索环境的复杂性会显著放大模型固有的随机性，导致「同样的问题，跑两次，命运不同」的脆弱现象。

如图 1 所示，在相同数据上重复两次推理，弱一些的基础模型往往出现「随机正确」（random right）比例接近或甚至高于「总是正确」（always right）的情况。这种随机性极大削弱了模型的实际表现。这种不稳定的根源在于搜索过程的脆弱性。

图 1. 模型回答随机性分析

如图 2 所示，只对检索式做细微改动（同义替换、增/删一词），检索结果的语义相似度就可能大幅下降，许多样本跌破 0.6 阈值。一个看似合理却偏离主题的关键词，足以把搜索引向错误分支。

图 2. 搜索结果脆弱性分析

直观理解：如图 3 所示，把检索看作在「关键词图」上行走。一次小小的关键词变化，可能让智能体走进另一条支路；若后续优化都围绕这条错误分支展开，越走越偏，难以回到正确答案。强模型（如 GPT-4o）有时能「自救」，但更普遍、可落地的方式，是让模型从一开始就「立目标」，并在每一步都「照镜子」。

图 3. 搜索脆弱性分析

「立目标」与「照镜子」

为了让 AI 变得更稳健，研究团队提出了RE-Searcher框架。其核心思想是模仿人类在处理复杂任务时的两个关键认知行为：

• 「立目标」（Goal-Oriented Planning）：在每次搜索前，不再是模糊地生成关键词，而是明确地规划出本次搜索想要达成的具体目标。

• 「照镜子」（Self-Reflection）：在获得搜索结果后，智能体必须进行反思，判断返回的信息是否满足了预设的目标。如果满足，则进入下一步；如果不满足，就需要调整搜索策略（比如修改关键词），重新搜索，直到达成目标为止。

为了实现这一点，如图 4 所示，研究团队设计了一套简单却有效的训练机制。他们通过特定的指令模板（如使用

标签）来规范智能体的思考和行为格式。

特别地，在「照镜子」环节，团队让一个「教师模型」（如 GPT-4o-mini）来评判智能体的反思是否正确，并将评价结果作为奖励信号，从而训练智能体学会如何进行高质量的自我反思。

图 4. 训练 pipeline

小例子：经过训练的模型在一次多跳检索中，搜索引擎曾把关键词误解为同名小说；RE-Searcher 在反思环节判定「未满足目标」，只改了一个限定词就把结果拉回正轨。

实验结果：

更稳健的搜索智能体

为了验证 RE-Searcher 的效果，研究团队进行了一系列详尽的实验。

SOTA 表现与有效的反思行为

在包括 NQ、HotpotQA 在内的 7 个主流搜索问答数据集上，RE-Searcher 取得了领先的表现。无论是在 3B 还是 7B 模型规模上，RE-Searcher 的平均表现都超过了现有的基线模型，达到了新的SOTA（State-of-the-art）水平。

图 5. 主要性能表现

实验还证明了「反思奖励」的有效性。如果没有这个奖励，模型在反思时的判断准确率仅在 50% 左右（相当于随机猜测）。而加入奖励后，模型的反思能力得到了显著且稳定的提升。

图 7. 反思正确率变化曲线

有效抵抗「搜索脆弱性」

RE-Searcher 能否缓解前面提到的「随机正确」问题？答案是肯定的。

实验数据显示，经过训练后，RE-Searcher 的「随机正确」比例大幅降低。以 7B 模型为例，其「随机正确」率从 SFT（监督微调）模型的17.09%降低到了8.74%，几乎减半，并且非常接近能力更强的 GPT-4o 的水平（8.32%）。这表明，智能体不再是「凭运气」答对，而是真正具备了稳定解决问题的能力。

图 8. 随机性变化效果

面对外部干扰，表现更「淡定」

为了模拟真实世界中更极端的噪声，研究团队设计了一个「压力测试」：在智能体的第一次搜索时，人为地向其搜索查询中引入干扰（如随机增删或替换词语），观察其性能下降程度。

结果显示，RE-Searcher 表现出了极强的鲁棒性。与基线模型 Search-R1 相比，RE-Searcher (7B) 的性能下降幅度要小得多（12.73%vs21.30%），几乎与 GPT-4o 处于同一水平。这证明了「立目标、照镜子」的策略使其不容易被初期的错误信息带偏，具备更强的纠错和恢复能力。

图 9. 抗干扰实验结果展示

未来展望

RE-Searcher 的研究证明，通过教会 AI 智能体进行目标规划和自我反思，可以显著提升其在复杂环境中的稳健性和可靠性。随着我们给予 AI 越来越多的自主权，它们将不可避免地与更加动态和不可预测的真实世界环境进行交互。如何确保它们在这一过程中行事稳健、值得信赖，是一个需要持续探索的重要课题。这项工作为构建更强大、更负责任的自主智能体迈出了坚实的一步。