野生环境中的智能搜索：来自 1400 万+ 真实搜索请求的意图与轨迹动态
信息检索
2026-04-30 v3 计算与语言
摘要
基于大语言模型（LLM）的搜索智能体正在被用于多步骤信息检索任务，但 IR 社区缺乏对智能搜索会话如何展开以及检索证据在后续查询中如何反映的经验性理解。本文基于来自 DeepResearchGym 的 1444 万搜索请求（397 万次会话）的大规模日志分析报告了智能搜索。我们对日志进行会话化处理，使用基于 LLM 的标注方法分配会话级意图和逐步查询重构标签，并提出“上下文驱动的术语采用率（CTAR）”来量化新引入的查询术语是否可被追溯到先前检索的证据。我们的分析揭示了独特的行为模式：首先，超过 90% 的多轮会话包含不超过十个步骤，89% 的会话间隔时间不到一分钟。其次，行为因意图而异。寻求事实的会话表现出高重复率，且随时间增加；而需要推理的会话保持更广泛的探索。第三，查询重构往往可被追溯到检索的证据。平均而言，54% 的新引入查询术语出现在累积的证据上下文中，此外还有额外的可追溯性指向更早的步骤，而不仅仅是最近的检索。这些发现为重复感知的停止、意图自适应检索预算以及显式的跨步骤上下文跟踪提供了候选信号。我们已发布去标识化的日志，使其可在公开的 HuggingFace 仓库获取。
引用
@article{arxiv.2601.17617,
title = {Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests},
author = {Jingjie Ning and João Coelho and Yibo Kong and Yunfan Long and Bruno Martins and João Magalhães and Jamie Callan and Chenyan Xiong},
journal= {arXiv preprint arXiv:2601.17617},
year = {2026}
}
备注
Accepted at SIGIR 2026. DOI: 10.1145/3805712.3809627