从信息检索到"类人搜索"：我们为何需要AI搜索范式？
随着人类社会信息量的激增，人们面临的不再是"能否找到答案"的问题，而是"能否在复杂多源数据中快速获取可信、全面的答案"。传统搜索引擎起源于关键词匹配与文档排序，虽然随着技术发展引入了语义匹配、学习排序（Learning to Rank）等机器学习技术，但其核心模式始终是"文档检索+点击阅读"，系统只提供"线索"，真正的整合、判断与归纳依然依赖用户自身完成。
近年兴起的检索增强生成（Retrieval-Augmented Generation，RAG）技术------如ReAct与RQ-RAG------在将检索结果与生成能力结合方面取得了显著进展，但它们普遍仍采用静态逻辑，存在诸多局限。一方面，这类系统主要依赖"一次性"的文档检索与单智能体执行模式，缺乏对复杂、上下文依赖任务的灵活处理能力。尤其在面对诸如"汉武帝与凯撒大帝谁更年长"这样看似简单、实则涉及多步逻辑推理与多源信息整合的问题时，现有RAG系统常常输出片面甚至错误的结果。其根本原因在于系统普遍缺乏动态规划能力、执行反思机制与多阶段决策能力，难以应对信息缺失、推理失败或路径偏差等问题。这一挑战凸显出当前AI搜索系统在认知能力、推理能力与流程适应性方面的不足。
百度提出"AI搜索范式"：以多智能体协作模拟人类信息处理
为解决上述痛点，百度搜索团队提出了一种新型搜索框架------AI Search Paradigm（AI搜索范式）。该系统并非单一模型驱动的流水线式架构，而是由多个协同工作的智能体组成的模块化系统。研究团队设计了四个核心角色：Master（总控）、Planner（任务规划者）、Executor（执行者）和Writer（答复生成者）。每个智能体都基于LLM驱动，并承担明确、专业化的任务，整个系统具备高度的灵活性、模块化和可扩展性。
在实际运行中，系统首先由Master对用户查询进行复杂度评估与意图分析，并据此动态配置智能体组合。对于简单查询，例如"汉武帝的名字"，只需由Writer根据语言模型内部知识直接生成答案。而当遇到需要外部信息支撑或多步推理的问题时，系统会自动引入Executor甚至Planner参与任务处理。特别地是，Planner通过构建有向无环图（DAG）将复杂问题拆解为多个子任务，明确其逻辑依赖关系，并为每个子任务绑定合适的外部工具，例如Web搜索API、计算器、编程服务等。随后，Executor按图执行这些任务，处理失败重试，最终由Writer整合所有结果形成准确而有条理的回答。
DAG结构化任务规划与动态工具调度：从"执行"走向"理解"
AI搜索范式中最具创新性的环节是任务规划与执行的结构化建模。传统RAG往往依赖模型在上下文中隐式推理，而百度团队通过Planner智能体将用户查询转化为一张任务执行图（DAG），每个节点代表一个具体的操作步骤。例如在"汉武帝与凯撒大帝谁更年长"的问题中，系统将其分为三步：分别检索两位历史人物的出生年份，并计算年龄差。这种结构化的规划允许系统清晰地表达任务意图、任务间的依赖关系以及必要工具调用顺序。
工具调用由一个名为MCP（Model-Context Protocol）平台统一调度管理。系统不仅使用语义检索技术匹配相关工具，还通过引入COLT算法对工具间的协作关系建模，确保一次性检索出满足"组合性需求"的工具集合。例如在处理涉及货币换算与股票估值的任务时，系统不仅要找到股票工具，还需自动关联汇率查询工具，从而完成跨模态的数值推理。这种"以任务为中心"的工具检索方式，显著提升了执行完整性与系统鲁棒性。
可反思、可重试、可重构：Master驱动的反馈与修正机制
系统中另一个关键角色是Master，它不仅在任务初始阶段完成智能体配置，还全程监控子任务执行状态，实时判断输出结果是否满足预期。在检测到执行失败、信息缺失或答案不完整时，Master会调用Planner重新规划局部DAG，甚至替换无响应工具，体现出强大的自适应能力。这种机制使得AI搜索范式突破了传统流水线式搜索系统"错误即终止"的刚性逻辑，迈向类人搜索的反思性与动态性。
多智能体联合优化：用强化学习实现系统级协同进化
在系统优化层面，百度团队没有像传统方法一样仅对单个模型进行微调，而是将Planner作为优化核心，并引入多维度奖励机制与强化学习策略（GRPO）实现多智能体协同进化。优化目标涵盖最终答案准确性、用户反馈满意度、子任务执行成功率及结果格式规范性等多个方面，从系统级保障整体性能与用户体验。这种方法弥补了传统监督微调在多智能体环境下难以协同的问题，是推动AI系统工程化、可落地的重要探索。
案例实证：系统更懂你，答案更靠谱
通过与传统RAG系统的对比实验与案例分析，百度展示了AI搜索范式在用户复杂查询场景下的显著优势。例如在前文所述的历史人物年龄比较问题中，传统RAG无法从单一文档中找到完整答案，而AI搜索范式成功调用多个Web搜索与计算工具，准确输出："汉武帝享年69岁，凯撒大帝享年56岁，相差13岁。" 这样的结果不仅信息完整，而且语言自然，展示了系统在多阶段推理、信息整合与语言生成三方面的协同能力。
AI搜索迈向认知智能时代
"AI搜索范式"的提出，不只是一次系统架构的优化，更是信息检索范式的转变。从静态、线性的检索生成流程，到动态、协作、可反思的智能体系统，百度的研究展示了一个面向认知智能的搜索未来。这一工作不仅对搜索引擎设计提供了新的理论与实践路径，也为Agent协作、多模态工具调度与大模型系统级工程优化提供了重要参考。
未来，随着大模型能力持续进化与Agent生态完善，类似AI搜索范式的系统将可能成为新一代知识服务平台的技术核心。搜索，不再只是寻找结果，更是理解问题、规划行动与给出判断的全过程智能服务。
参考链接