你正在研究一个复杂问题：”2024年有哪些新能源车企采用了800V高压平台，它们各自的供应商是谁？”
如果是传统搜索，你可能会先搜”2024 800V 新能源车企”，得到一串品牌名单。然后再逐个品牌搜”XX 800V 供应商”。搜到第三个品牌时，你发现有些供应商同时也是芯片厂商，于是又开了一条新线索去查这些芯片厂商的其他客户。没搜多久你就迷失了——忘了哪些品牌查过、哪些供应商还没核实、哪些线索之间有交叉。
这正是当前 LLM 搜索智能体面临的困境。单个 ReAct 式智能体（就是那种”思考-行动-观察”循环的智能体）受限于一条长长的轨迹和有限的上下文窗口，搜到后面就忘了前面。已有的多智能体系统虽然能并行搜索，但通常只在根节点做一次任务分解，分解完就不再变了——可真实搜索过程中，新证据会不断涌现新的子任务和依赖关系。
WebSwarm 的核心思路：递归委托 + 渐进式分解
WebSwarm 来自人民大学和快手团队（arXiv:2607.08662），它的关键创新是把搜索过程组织成一棵动态生长的”任务树”。每个节点（node）包含两部分：一个局部目标（objective）和一个搜索模式（search mode）。节点可以选择自己解决目标，也可以进一步派生子节点。
这就像你研究那个新能源车企问题时的工作方式：你先派一个节点去收集品牌名单（宽搜索），拿到名单后，为每个品牌派一个子节点去查供应商（深搜索），某个子节点发现供应商也是芯片厂商时，又可以派一个更深的子节点去查这个芯片厂商的技术细节。每层节点解决后，把证据向上返回，父节点根据新证据决定是否要扩展、修正或聚合。
WebSwarm 有两个关键的引导机制：
1. Web-Structure Probing（网页结构探测）
在正式展开搜索前，WebSwarm 先做一次轻量探测，看看任务相关的信息在网页上是怎么组织的。比如查”800V 平台”的信息，探测可能发现信息按”品牌→车型→供应商→技术规格”的层级组织。这个结构信息会指导后续节点的展开方向，避免盲目扩展。
2. Experience Reuse（经验复用）
当宽搜索节点派出一批同质子节点（比如为 10 个品牌各派一个查供应商的子节点）时，第一个子节点摸索出的有效搜索策略会被复用到后续兄弟节点上。这就像你查完第一个品牌的供应商后，总结出一套”先查官网技术参数页→再查行业报告→最后查供应商新闻”的流程，后续品牌照着走就行。
实验结果：硬任务上的碾压级表现
WebSwarm 在四个基准上测试：BrowseComp-Plus（深搜索）、WideSearch（宽搜索）、DeepWideSearch（深+宽交织）、GISA（综合信息寻求）。
核心数字：
– 深搜索（BrowseComp-Plus）：比 ReAct 提升 17.50 个准确率点，比最强多智能体基线还高 3.50 点。 – 宽搜索（WideSearch-EN）：Row F1 提升 10.91 点，Item F1 提升 9.76 点。 – 深+宽交织（DeepWideSearch-EN）：Row F1 提升 9.56 点，Item F1 提升 11.77 点。
最引人注目的是硬任务上的表现。在 ReAct 完全无法解决的困难样本上（准确率 0.0%），WebSwarm 直接拉到 35.7%；在 WideSearch-EN 的困难子集上，从 24.5 提升到 55.8。这说明递归委托不是在简单任务上锦上添花，而是在难任务上雪中送炭。
消融实验的两个发现
去掉 Web-Structure Probing 后，搜索效率下降——冗余和错位的节点扩展增多。去掉 Experience Reuse 后，Item F1 下降——兄弟节点的可靠性降低。两者互补：前者降低探索成本，后者提升节点求解质量。
跨模型泛化
WebSwarm 不挑模型。用较弱的模型时，递归委托提供了额外的结构化框架来辅助长程搜索；用较强的模型时，模式引导的节点求解能更好地发挥模型能力。这意味着框架本身的价值不依赖于底层模型的强弱。
局限与展望
论文坦诚承认几个局限：只关注推理时的多智能体编排，不涉及数据构建和训练；搜索成本（工具调用次数）随递归深度增加；目前主要针对信息寻求类任务，尚未扩展到工具使用更复杂的场景。
我的看法
WebSwarm 最让我欣赏的是它的”渐进式”哲学。大多数多智能体系统都在起点做一次宏大分解，然后硬执行。但真实搜索的本质就是”边搜边知道还要搜什么”——信息需求是动态涌现的。WebSwarm 把这个直觉形式化成了一棵会生长的树，而且用网页结构探测和经验复用两根缰绳控制生长方向，避免长成杂草。
从更宏观的视角看，这其实回答了一个重要的工程问题：什么时候该用多智能体？ 答案不是”任务大”就行，而是”任务的需求会随中间结果而变化”。如果你的任务可以一开始就写死 SOP，单智能体加好的 prompt 就够了。但如果你的任务像深度调研一样需要”走着瞧”，那递归委托框架就值这个钱。
—
论文链接：https://arxiv.org/abs/2607.08662 HTML 全文：https://arxiv.org/html/2607.08662 开源代码：https://github.com/songxiaoshuai/WebSwarm