Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Agents de recherche approfondie : un examen systématique et une feuille de route
Created by
Haebom
Auteur
Yuxuan Huang, Yihang Chen, Haozheng Zhang, Kang Li, Huichi Zhou, Meng Fang, Linyi Yang, Xiaoguang Li, Lifeng Shang, Songcen Xu, Jianye Hao, Kun Shao, Jun Wang
Contour
Cet article présente une analyse détaillée des technologies fondamentales et des composants architecturaux d'un agent de recherche approfondie (DR). Un agent DR est un système d'IA autonome conçu pour effectuer des tâches complexes de recherche d'informations en plusieurs étapes, en combinant raisonnement dynamique, planification adaptative à long terme, recherche d'informations en plusieurs étapes, utilisation itérative d'outils et génération de rapports d'analyse structurés. Nous comparons les méthodes de recherche basées sur les API et les navigateurs, examinons un cadre d'outils modulaire, comparons l'exécution de code, le traitement multimodal des entrées et intégrons le protocole MCP (Model Context Protocol) pour soutenir l'évolutivité et le développement de l'écosystème. Nous proposons une taxonomie qui distingue les flux de travail statiques et dynamiques et catégorise les architectures d'agents en fonction des stratégies de planification et des configurations d'agents, y compris les configurations mono-agent et multi-agents. Nous soulignons également les principales limites des benchmarks actuels, notamment l'accès limité aux connaissances externes, les inefficacités d'exécution séquentielle et les inadéquations entre les indicateurs d'évaluation et les objectifs réels des agents DR. Nous suggérons enfin des défis à relever et des pistes de recherche prometteuses. Nous fournissons également un référentiel de recherche d'agents DR continuellement mis à jour ({ https://github.com/ai-agents-2030/awesome-deep-research-agent}) .
Takeaways, Limitations
•
Takeaways:
◦
Fournit une analyse systématique des technologies et de l’architecture sous-jacentes des agents DR.
◦
Fournit un aperçu des stratégies d'acquisition d'informations basées sur les API et les navigateurs, des cadres d'outils modulaires et des diverses architectures d'agents.
◦
Nous présentons Limitations, un système de classification et une référence pour la recherche d'agents DR.
◦
Il présente des défis ouverts et des directions prometteuses pour la recherche future.
◦
Fournit un référentiel communautaire pour la recherche d'agents DR.
•
Limitations:
◦
Bien qu’il souligne les problèmes liés aux critères de référence actuels, tels que l’accès limité aux connaissances externes, l’inefficacité de l’exécution séquentielle et l’inadéquation entre les mesures d’évaluation et les objectifs réels, il ne propose pas de solutions spécifiques pour résoudre ces problèmes.
◦
Bien que diverses architectures d’agent DR aient été classées, une analyse comparative des avantages et des inconvénients de chaque architecture fait défaut.
◦
Une validation supplémentaire de l’objectivité et de la généralisabilité du système de classification et des repères présentés dans l’article est nécessaire.
