中科院与腾讯AI实验室突破：Web智能体实现深度互联网研究

在人工智能快速发展的今天，香港中文大学和腾讯AI实验室的研究团队带来了一项令人瞩目的研究成果。这项名为"Explore to Evolve: Scaling Evolved Aggregation Logic via Proactive Online Exploration for Deep Research Agents"的研究发表于2025年10月，论文编号为arXiv:2510.14438v1。有兴趣深入了解的读者可以通过该编号查询完整论文。

当你在网上搜索信息时，通常只是找到一些零散的答案片段。但是，如果有一个智能助手不仅能帮你找到信息，还能像资深研究员一样将这些信息整合分析，得出有价值的洞察，那会是怎样的体验？这正是研究团队想要解决的核心问题。

目前的AI助手就像一个勤劳的图书管理员，能够快速找到你需要的书籍和资料，但缺乏像学者一样深入思考和综合分析的能力。当面对复杂问题时，它们往往只能提供简单的事实查找，而无法进行深层次的信息整合和推理。研究团队发现，现有的网络智能体主要专注于信息搜索能力，就像只会找书不会读书的助手，缺乏将找到的信息进行深度分析和综合的能力。

为了解决这个问题，研究团队提出了一个名为"探索进化"的创新方法。这个方法就像培养一个既会搜集资料又会深度分析的研究生一样。整个过程分为两个主要阶段：首先是"主动在线探索"阶段，智能体像一个好奇的探险家一样在真实的网络世界中主动寻找相关信息；然后是"自动聚合逻辑合成"阶段，智能体像一个经验丰富的分析师一样，将收集到的信息进行深度整合和分析。

一、突破性的数据构建方法：从简单搜索到深度分析

传统的AI训练就像让学生只做选择题，而研究团队的新方法则是让AI学会写深度分析的论文。他们创建了一个名为WebAggregatorQA的数据集，这个数据集包含了近1万个复杂问题，覆盖了5万多个网站和11个不同领域。

这些问题不是简单的事实查询，而是需要深度思考的复合型问题。比如说，不是问"中国2023年的GDP增长率是多少"这样的简单问题，而是问"请收集中国2014年到2023年的年度GDP增长率和城镇化率数据，计算GDP增长率的标准差，然后计算两个指标之间的皮尔逊相关系数"这样需要多步骤分析的复杂问题。

在主动在线探索阶段，AI就像一个资深记者一样进行实地调研。它不会满足于第一个搜索结果，而是会访问多个网站，下载文件，查看图片，甚至与动态网页元素进行交互。研究团队要求AI至少访问7个不同的网页，确保信息来源的多样性和全面性。统计数据显示，在构建的任务中，有48.36%的样本使用了3种不同的工具，28.55%使用了4种工具，13.41%使用了5种工具。这种多样化的工具使用促进了知识的多元化，也增加了任务的挑战性。

在自动聚合逻辑合成阶段，AI需要展现出类似人类专家的分析能力。研究团队定义了四大类高级逻辑操作：元素操作（处理具体的数据点）、集合操作（处理数据群组）、科学分析（进行统计和计算）以及时间推理（分析时间序列变化）。这些操作就像给AI提供了一套完整的分析工具箱，让它能够应对各种复杂的分析需求。

为了确保数据质量，研究团队建立了严格的质量控制机制。首先是自我完善工具，AI会对自己生成的问题进行检查和修正，就像作家在完成初稿后进行自我审阅一样。然后是数据检查代理，专门负责验证问题、答案和参考资料之间的一致性。这个过程筛选掉了约11.72%的原始数据，确保最终数据集的高质量。

二、智能体架构创新：从工具使用到深度推理

研究团队基于SmolAgents框架构建了全新的网络智能体架构。这个智能体就像一个配备了全套专业工具的研究员，不仅能够进行基础的网络搜索，还能处理各种复杂的信息源。

这个智能体的工具箱包含了多种能力。搜索工具让它能够像使用搜索引擎一样快速定位相关信息。静态页面解析工具让它能够阅读和理解网页内容，就像人类阅读文章一样提取关键信息。动态交互工具让它能够与网页进行互动，比如点击按钮、填写表格、滚动页面等，就像真实用户浏览网站一样。文件处理工具让它能够读取PDF、Excel等各种格式的文件。图像理解工具让它能够分析图片内容，获取视觉信息。

每个任务的执行都在30步的预算内完成，其中一步包括一个动作和对应的观察结果。这种设计确保了智能体能够在合理的时间内完成复杂任务，同时避免了无限循环或效率低下的问题。

智能体使用基于代码的ReAct模式，能够输出自然语言思考过程、Python代码形式的动作，并接收代码日志作为环境观察。这种设计让智能体的思考过程更加透明，也让复杂的计算和分析变得更加精确。

三、模型训练与性能突破：超越GPT-4的表现

基于构建的WebAggregatorQA数据集，研究团队训练了一系列名为WebAggregator的基础模型。这些模型基于Qwen2.5-7B、Qwen2.5-32B、Qwen3-8B和Qwen3-32B进行监督微调。训练过程使用了拒绝采样技术，只保留那些能够给出正确答案的轨迹，确保模型学习到高质量的推理过程。

实验结果令人印象深刻。在GAIA-text基准测试中，WebAggregator-8B的表现与GPT-4.1相当，而WebAggregator-32B的表现超过了GPT-4.1超过10个百分点，并且接近Claude-3.7-sonnet的性能水平。这个结果特别令人瞩目，因为它表明开源模型在经过适当训练后，能够在复杂的信息聚合任务上达到甚至超越顶级商业模型的水平。

在WebAggregatorQA测试集上，即使是强大的Claude-3.7-sonnet也只达到了28%的准确率，GPT-4.1的得分为25.8%。这个结果突显了信息聚合任务的挑战性，也证明了这个基准测试的价值。值得注意的是，即使智能体成功检索到了所有参考资料，仍然很难在WebAggregatorQA上取得高分，这说明准确的信息检索并不等同于成功的信息聚合。

为了验证模型的可转移性，研究团队还在WebWalkerQA和XBench等其他基准上测试了WebAggregator模型。结果显示，WebAggregator-8B和7B版本都显著优于之前的强基线模型，证明了训练方法的有效性和模型能力的泛化性。

四、深度分析：信息聚合的关键挑战

研究团队通过详细分析发现了当前网络智能体面临的核心挑战。首先是信息源的多样化依赖问题。WebAggregatorQA中的所有任务都需要来自搜索和网页文本的信息，同时还需要来自文件的信息，不能仅依赖单一信息源。这种多样化需求使得任务具有很高的挑战性，因为仅依靠内部知识的强大基础模型（如Claude-3.7和GPT-4.1）在这类任务上的正确率不到7%。

其次是信息聚合需求的复杂性。分析显示，WebAggregatorQA的信息聚合要求对智能体系统构成了真正的挑战。所有任务都包含这些操作，其中许多包含多种操作，进一步增加了任务难度。研究团队特别分析了一种特定的失败模式：成功检索所有参考URL但仍然无法完成任务。这种失败模式的存在表明，基础智能体模型在某些情况下仍然难以进行信息聚合。

在工具使用模式分析中，研究团队发现了一个有趣的现象。虽然WebAggregatorQA中的任务需要更多的总步骤来完成，但工具调用密度却明显较低。这种模式表明，在WebAggregatorQA中，模型更多地依赖推理步骤来执行信息聚合，而不是主要通过调用工具来获取新的外部知识。这进一步证明了信息聚合能力的重要性。

五、人工标注测试集：建立新的评估标准

为了更好地评估网络智能体的信息聚合能力，研究团队构建了一个人工标注的测试集。这个测试集包含159个样本，分为三个难度等级：Level 1（24个）、Level 2（99个）和Level 3（36个）。每个样本都包含问题、参考答案、解决方案和支持URL。

标注过程严格而细致。三名具有学士学位的人工标注员参与了这项工作，每个样本平均需要3小时的标注时间，整个过程持续了4周以上的兼职工作。标注过程包括种子任务收集、多轮修订和交叉验证程序。

在种子任务收集阶段，标注员从WebAggregatorQA中均匀选择200个话题多样的任务进行修订。任务修订的核心原则是确保每个问题都是明确的，只有一个正确答案。标注员需要确保问题陈述的清晰性，所有声明都必须明确陈述，如果存在多个证据源，应在问题中提供额外约束以避免歧义。

为了进一步提高样本可靠性并减少求解者视角的偏见，这个过程重复了两次：任务被解决，识别歧义，标注员进行修订。在最终的交叉验证阶段，每个问题都由两名标注员回答，产生了155个一致对齐的样本。另外有4个样本由于难度过大被标注员在回答过程中放弃，但其参考资料和问题经过验证确保数据质量，因此被保留。

六、训练效率研究：小数据集的大威力

研究团队还探索了训练效率问题。他们发现，即使使用较小的数据子集也能取得显著的性能提升。在500个样本上训练的Qwen3-8B模型在GAIA-text上达到了36.9%的准确率，而在1200个样本上训练的模型达到了38.83%的准确率。这个结果进一步证明了WebAggregatorQA数据集的高质量，即使是小规模的子集也能为基础模型带来显著的性能提升。

这种训练效率的发现具有重要的实际意义。它表明，构建有效的网络智能体不一定需要海量的训练数据，关键在于数据的质量和任务的设计。这为资源有限的研究团队和开发者提供了希望，他们可以通过精心设计的小规模数据集实现显著的性能改进。

七、与现有方法的对比：显著的性能优势

研究团队将WebAggregator与多种现有方法进行了全面比较。比较的基线包括非智能体基础模型（直接使用内部知识回答问题）、零样本基础模型（通过SmolAgents框架初始化为智能体）以及强大的微调基础模型（如WebThinker、WebDancer、CognitiveKernel-Pro、WebSailor和WebShaper）。

在非智能体设置中，所有模型的表现都相对较差，这证明了这些任务需要外部工具访问而不能仅依赖参数化知识。在零样本设置中，闭源模型在GAIA-text和WebAggregatorQA上都超过了Qwen模型。然而，在WebAggregatorQA上进行调优后，Qwen模型表现出明显而稳定的改进，接近了这些强基线的性能。

特别值得注意的是，基于Qwen2.5-32B和Qwen3-32B的WebAggregator超过了大多数强基线，包括GPT-4.1和WebShaper。WebAggregator-32B的pass@3性能在GAIA-text上达到了69.9%。这些观察结果证明了WebAggregatorQA的质量和数据构建范式的有效性。

八、技术创新点：四大核心突破

研究团队的技术创新主要体现在四个方面。首先是自动化和可扩展的数据构建工作流程。与现有方法不同，这个工作流程独特地强调聚合复杂性，生成的WebAggregatorQA数据集涵盖了广泛的领域、源类型、工具使用和聚合逻辑。

其次是训练出的网络智能体基础模型表现出色。WebAggregator-8B超过了GPT-4.1，32B版本超过了当前的强基线。这种性能提升在开源模型中尤其令人瞩目，表明了适当的训练数据和方法的重要性。

第三是测试集的挑战性。即使是Claude-3.7-sonnet也只达到了28.3%的准确率。值得注意的是，准确的参考检索并不保证聚合成功，这突出了在这种能力上取得进展的关键需求。

最后是对信息聚合重要性的深入理解。研究表明，成功的网络智能体不仅需要强大的信息检索能力，更需要复杂的信息聚合和推理能力。这为未来的研究方向提供了重要指导。

九、实际应用前景：改变人机交互方式

这项研究的意义远超学术范畴，它可能会根本性地改变我们与网络信息交互的方式。在实际应用中，这种技术可以应用于多个场景。

在学术研究领域，WebAggregator可以帮助研究人员快速收集和分析大量文献，自动生成综述报告，识别研究趋势和空白。在商业分析中，它可以从多个数据源收集市场信息，进行竞争对手分析，生成详细的行业报告。在新闻媒体行业，记者可以利用这种技术快速收集和验证信息，进行深度调查报道。

在教育领域，教师和学生可以使用这种工具进行深度学习和研究，自动生成学习材料和分析报告。在金融服务中，分析师可以利用它进行投资研究，分析市场趋势，评估投资机会。在政策制定方面，政府机构可以使用这种技术收集和分析公众意见，评估政策影响。

然而，这种技术的广泛应用也带来了一些需要考虑的问题。信息质量控制变得更加重要，因为系统的分析能力越强，错误信息的影响也可能越大。隐私保护也是一个重要考量，特别是在处理敏感信息时。此外，如何确保AI生成的分析结果的可解释性和可验证性也是一个挑战。

十、未来发展方向：持续的技术演进

研究团队指出了几个重要的未来发展方向。首先是进一步提升小型模型的性能。虽然WebAggregator-8B在许多任务上表现出色，但在最困难的任务上仍落后于32B版本和GPT-4.1。突破小型基础模型在困难任务上的性能瓶颈仍然是一个重要方向。

其次是扩展到更多模态的信息处理。当前的研究主要关注文本和基础的多模态信息，未来可以扩展到视频、音频等更复杂的信息形式。这将使智能体能够处理更加丰富和多样的信息源。

第三是提高系统的鲁棒性和可靠性。在真实的网络环境中，信息质量参差不齐，网页结构复杂多变，如何让智能体在这种环境下保持稳定的性能是一个重要挑战。

最后是探索更高级的推理能力。当前的系统主要关注信息聚合，未来可以探索更复杂的因果推理、反事实分析等高级认知能力。

这项研究为网络智能体的发展开辟了新的道路。通过"探索进化"的方法，研究团队不仅解决了当前智能体在信息聚合方面的不足，还为未来构建更加智能、更加有用的AI助手奠定了基础。随着技术的不断完善和应用的不断扩展，我们有理由期待一个人工智能能够真正理解和分析复杂信息的未来。

当我们回顾这项研究时，可以看到它不仅仅是技术上的进步，更是AI能力边界的一次重要扩展。从简单的信息检索到复杂的信息聚合分析，这种能力的提升可能会深刻影响我们处理信息、做出决策的方式。正如研究团队所强调的，即使是最先进的商业模型在这些任务上也面临挑战，这说明我们在通往真正智能的道路上还有很长的路要走，但这项研究无疑是重要的一步。

Q&A

Q1：WebAggregatorQA数据集与普通的问答数据集有什么区别？

A：WebAggregatorQA不是简单的事实查询数据集，而是需要深度分析的复合型问题集合。它包含近1万个问题，覆盖5万多个网站，每个问题都需要AI从多个网页收集信息，然后进行复杂的数据分析、统计计算或逻辑推理才能得出答案，就像要求AI写分析报告而不是简单查字典。

Q2：WebAggregator模型相比GPT-4有什么优势？

A：WebAggregator-8B的表现与GPT-4.1相当，而32B版本在GAIA-text测试中超过GPT-4.1超过10个百分点。更重要的是，这是开源模型，研究人员可以自由使用和改进。同时，它专门针对网络信息聚合任务进行了优化，在复杂的多步推理和信息整合方面表现更好。

Q3：这项技术什么时候能在日常生活中使用？

A：虽然研究团队已经证明了技术的可行性，但要实现大规模商业应用还需要时间。目前主要挑战包括计算成本、系统稳定性和信息质量控制等。不过，这项技术很可能会首先在学术研究、商业分析等专业领域得到应用，然后逐步普及到消费级产品中。