前言：当前的深度搜索代理（Deep Search Agents）陷入了一个“扩展性悖论”：单步串行搜索因信息覆盖不足而遇到瓶颈，而多步并行搜索则因缺乏结构化聚合能力导致推理混乱，两者均无法实现真正的测试时搜索扩展（Test-Time Search Scaling）。来自首尔大学与 LG AI Research 的研究团队提出了 HybridDeepSearcher，一种创新的混合搜索架构。它通过引入HDS-QA 数据集进行监督微调，教会模型在每一步中动态结合宽泛的并行查询与显式的证据聚合，从而在深入推理前构建完整的知识图谱。实验表明，该方法在 FanOutQA 和 BrowseComp 等高难度基准上分别提升 15.9 和 9.2 个 F1 点，且是唯一一个随着搜索次数（Turns）和调用量（Calls）增加而性能持续单调上升的模型。

简单来说这篇文章提出了一个多跳问答的数据集

📄 论文基本信息

项目	内容
论文标题	Hybrid Deep Searcher: Scalable Parallel and Sequential Search Reasoning
核心方法名	HybridDeepSearcher
作者/机构	Dayoon Ko, Jihyuk Kim et al. (Seoul National Univ, LG AI Research)
发表年份/会议	ICLR 2026
核心领域	Agentic RAG, Test-Time Scaling, Hybrid Search, Supervised Fine-Tuning
关键数据集	HDS-QA (新构建), FanOutQA, BrowseComp, MuSiQue, FRAMES, MedBrowseComp
基座模型	Qwen3-8B (主要), Qwen2.5-7B, Qwen3-32B (用于数据生成)
代码开源	Project Page

---

🔍 研究背景与痛点

1. “搜索扩展性失效” (The Failure of Search Scaling)

• 现象：现有的 Large Reasoning Models (LRMs) 结合 RAG 后，虽然能进行多步推理，但增加计算资源（搜索次数）并不能线性提升性能。
  • 串行搜索 (Sequential Search)：如 Search-R1，每步只发一个查询。
    • 后果：信息覆盖窄，容易陷入局部最优。例如问“John Carpenter 导演最长的电影”，它可能先搜到一部，再搜下一部，效率极低且易漏掉关键影片。
  • 并行搜索 (Parallel Search)：如 RAG-R1，每步发多个查询。
    • 后果：缺乏结构化聚合。模型一次性扔出大量文档，却不知道怎么在下一步推理前把这些信息“消化”掉，导致上下文混乱，过早终止搜索。
• 本质：现有方法要么广度不够（串行），要么深度不足（并行但无聚合），无法像人类专家那样“先广泛搜集线索，再综合归纳，最后深入挖掘”。

2. 现有解决方案的局限

• 纯 RL 训练：如 Search-R1 使用 GRPO 强化学习，倾向于让模型生成长链条，但往往只是机械地增加步数，并未学会高效的搜索策略。
• 静态分解：如 GenDec，预先分解问题，无法根据中间检索结果动态调整策略（如发现线索不够时自动扩大搜索面）。
• 数据缺失：现有的训练数据（如 HotpotQA）大多只包含简单的 2 跳推理，缺乏教导模型如何进行“大规模并行搜集 + 深度串行推理”的复杂轨迹。

3. HybridDeepSearcher 的核心洞察

• 混合即扩展：真正的可扩展搜索必须是混合式的。在需要广度的步骤（如列举所有电影）执行并行查询，在需要深度的步骤（如比较时长）执行显式聚合后的串行推理。
• 监督即可学会：不需要昂贵的在线 RL，通过高质量的**混合搜索轨迹数据（HDS-QA）**进行监督微调（SFT），就能让模型内化这种复杂的搜索策略。

---

🛠️ 核心方法：HybridDeepSearcher 架构详解

HybridDeepSearcher 的核心在于数据驱动的策略内化。它不依赖复杂的提示工程或在线奖励优化，而是通过特制的数据集教会模型何时并行、何时串行。

1. HDS-QA 数据集构建 —— “制造混合推理场景”

这是本文最大的贡献之一。作者设计了一套自动化流水线，专门生成需要先并行后串行的复杂问题。

• 四步生成法：

  1. 实体提取与相关问题收集：从单跳问题（如“Queen 乐队主唱是谁？”）提取实体，利用 Google “People Also Ask” 收集该实体的多个独立特征（如“成名曲”、“解散时间”、“风格”）。
  2. 特征摘要：将检索到的文档摘要为简洁的特征描述。
  3. 并行跳问题构造：利用这些特征构造一个隐式问题，不直接提及实体名，迫使模型必须同时搜索多个特征才能锁定实体（并行需求）。
     • 例：“哪个摇滚乐队以歌剧风格融合闻名，且有一首常在体育赛事播放的国歌？”（答案隐含是 Queen）。
  4. 混合跳问题集成：将上述隐式问题作为条件，嵌入到原始的单跳问题中，形成最终的混合跳问题（串行需求）。
     • 最终问题：“那个以歌剧风格融合闻名…的乐队，其主唱是谁？”
     • 推理路径：Step 1 (并行搜特征 -> 锁定 Queen) -> Step 2 (串行搜主唱 -> Freddie Mercury)。

• 轨迹生成：使用 Qwen3-32B 生成包含并行查询块的正确推理轨迹。只有最终答案正确的轨迹会被保留，确保训练数据的准确性。共收集 2,111 条高质量轨迹。

💡 核心逻辑：传统数据教模型“一步步走”，HDS-QA 教模型“一步看全貌（并行），再走下一步（串行）”。

2. 混合搜索代理 (The Hybrid Agent)

基于 Qwen3-8B 微调而成的 HybridDeepSearcher，其推理过程具有独特的结构：

• 思维链 (Reasoning)：在 <think> 标签中分析当前缺口。
• 混合查询 (Querying)：
  • 模型被训练为在单个步骤中输出多个由分号分隔的查询。
  • 格式：<|begin search queries|> Query A; Query B; Query C <|end search queries|>
  • 系统会并行执行这些查询。
• 显式聚合 (Aggregation)：
  • 检索结果经过外部大模型（Summarizer）去噪和摘要。
  • 所有结果的摘要被拼接并包裹在 <|begin search results|> 标签中，作为一个整体输入给模型。
  • 模型必须在下一个 <think> 步骤中综合阅读这些结果，提炼出关键信息，再进行下一步决策。

类比解释：侦探办案

• 传统串行 (Search-R1)：侦探每次只问一个证人。问完 A 再想问谁，效率低，容易漏掉关键团伙成员。
• 传统并行 (RAG-R1)：侦探一次性把所有人叫来，七嘴八舌说话，侦探听晕了，没法理清线索，草草结案。
• HybridDeepSearcher：侦探先列出所有需要核实的线索（如：案发时间、地点、嫌疑人特征），同时派助手去调查（并行）。助手回来后，侦探先开会总结（显式聚合），整理出一份清晰的情报简报，然后再决定下一步抓谁（串行）。

---

🏆 实验结果与分析

作者在 5 个高难度基准上进行了全面评估，重点考察准确性和扩展性。

1. 性能全面碾压 SOTA

数据集	任务特点	HybridDeepSearcher (F1)	最强基线 (F1)	提升幅度
FanOutQA	需检索大量分散实体	44.1	RAG-R1 (28.2)	↑ 56.0%
BrowseComp†	极难的网络浏览推理	15.1	RAG-R1 (5.9)	↑ 155.9%
FRAMES	复杂多跳事实核查	39.1	RAG-R1 (35.8)	↑ 9.2%
MuSiQue	标准多跳 QA	31.2	Search-R1 (26.6)	↑ 17.3%
MedBrowseComp	医疗专业搜索	19.8	DeepResearcher (14.7)	↑ 34.7%

• 注意：在 FanOutQA 这种需要“扇出”大量检索的任务中，优势最为巨大，证明了并行能力的有效性。

2. 真正的“测试时搜索扩展” (Test-Time Search Scaling)

这是本文最核心的发现。作者通过限制最大搜索轮数（Turns）和调用次数（Calls）来观察性能变化。

• 基线表现：
  • 串行模型：随着 Turns 增加，性能很快** plateau (停滞)**，因为单步信息量太少，搜再多也没用。
  • 并行模型：随着 Calls 增加，性能也停滞，因为无法有效聚合过多信息。
• HybridDeepSearcher 表现：
  • 单调上升：无论是增加 Turns (1→8) 还是 Calls (2→16)，性能都持续线性增长。
  • 数据：在 BrowseComp 上，当 Turns 从 1 增加到 8 时，F1 从 4.0 飙升至 15.1 (3.8 倍提升)；当 Calls 从 2 增加到 16 时，F1 从 3.4 飙升至 15.1 (4.4 倍提升)。
  • 结论：只有混合策略才能真正利用更多的计算资源来解决更难的问题。

3. 证据覆盖率 (Evidence Coverage)

• 在 FanOutQA 上，HybridDeepSearcher 的金标证据覆盖率高达 61.0%，而最强的并行基线 RAG-R1 仅为 53.2%，串行基线 Search-o1 仅为 38.3%。
• 这证明模型确实学会了“把网撒得更大”，从而捕获了更多必要的碎片信息。

4. 消融实验与 RL 的对比

• 混合行为是关键：如果只用 HDS-QA 数据但强制模型单步单查（去除并行），性能大幅下降，甚至不如基线。证明并行+聚合的混合行为本身才是增益来源。
• SFT vs RL：作者在 HybridDeepSearcher 基础上又加了 GRPO (RL) 训练。
  • 结果：RL 能略微提升准确率，但会导致搜索步数显著增加，效率 (AUC) 反而下降。
  • 启示：对于搜索策略的学习，高质量的监督微调 (SFT) 比盲目试错的 RL 更高效、更直接。

---

💡 主要创新点总结

1. 提出“混合搜索”范式：首次明确指出了单纯串行或并行搜索在扩展性上的缺陷，并提出了“并行搜集 + 显式聚合 + 串行推理”的闭环架构。
2. 构建 HDS-QA 数据集：填补了训练数据中“大规模并行推理轨迹”的空白，通过自动化流水线生成了 2000+ 条高质量混合跳问答数据。
3. 验证了 SFT 的有效性：证明了通过精心设计的监督数据，小模型（8B）也能学会复杂的搜索调度策略，且效果优于昂贵的在线 RL 方法。
4. 实现了真正的测试时扩展：模型性能随资源投入（搜索次数）单调递增，解决了当前 Agentic RAG“算力堆砌无效”的痛点。

---

⚠️ 局限性与挑战

• 数据依赖性：模型的表现高度依赖于 HDS-QA 数据的质量和分布。如果真实场景中的问题模式与训练数据差异过大（如不需要并行只需极深串行），效果可能打折。
• 摘要器开销：为了处理并行检索的大量噪音，系统依赖一个强大的外部摘要模型（实验中用了 32B 模型），这增加了系统的延迟和成本（尽管论文提到用 8B 摘要器效果下降不多）。
• 长上下文压力：虽然做了聚合，但在极端并行下，聚合后的上下文长度仍可能对基座模型的注意力机制构成挑战。

---

🚀 对开发者的实战建议

如果你正在构建需要高准确度、复杂推理的 RAG 应用（如深度研报、法律案情分析）：

1. 实施“并行 - 聚合”循环：

   • 不要让用户的问题直接触发单条搜索。让 Agent 先思考：“要回答这个问题，我需要哪几个方面的信息？”
   • 动作：一次性并发执行 3-5 个不同维度的搜索查询。
   • 关键：在拿到结果后，必须有一个独立的步骤（或 Prompt 指令）让模型对这些结果进行“综合摘要”或“冲突消解”，然后再决定是否进行下一轮搜索。

2. 构建自己的“混合轨迹”数据：

   • 如果资源允许，模仿 HDS-QA 的思路，收集一些需要多路并行的复杂问题，并人工或通过大模型编写“标准推理过程”（包含并行查询和综合步骤）。
   • 用这些数据对你的 RAG Agent 进行微调，比单纯调 Prompt 效果好得多。

3. 动态资源分配：

   • 对于简单问题，限制并行度；对于检测到实体多、条件复杂的问题（如“比较 A、B、C 三个产品的参数”），自动放宽并行查询的数量限制。

4. 优先选择 SFT 而非 RL：

   • 在搜索策略优化上，先尝试构建高质量的 Few-shot 示例或进行 SFT。除非你有极强的算力和奖励模型设计能力，否则不要轻易上 PPO/GRPO，性价比可能不高。

一句话总结：HybridDeepSearcher 证明了**“先广撒网（并行），再精提炼（聚合），后深挖掘（串行）”**是人类解决复杂问题的核心智慧，也是让 AI 搜索代理真正具备扩展性的唯一路径。