在AI技术日新月异的今天，深度搜索Agent已成为处理复杂信息检索与分析任务的核心工具。其架构设计直接决定了系统的智能水平与执行效率。本文将系统梳理从基础迭代到高级递归的主流架构演进路径，揭示不同设计背后的核心逻辑与适用场景，为开发者构建高效Agent提供清晰指引。

一、基石：基础迭代式搜索与ReAct范式

一切复杂架构都始于简单的循环。基础迭代式搜索Agent的核心是ReAct（Reasoning and Acting）范式，即“推理-行动-观察”的循环过程。这模拟了人类解决复杂问题的自然方式：我们不会一次性获得所有答案，而是通过不断提问、搜索、整合来逐步逼近真相。

其工作流程可概括为四步：

  • 接收用户问题并推理信息缺口
  • 调用搜索工具获取关键数据
  • 观察结果并判断是否充分
  • 循环执行直至满足条件

这种架构实现简单、调试方便，适合处理简单的事实查询类问题，如“珠穆朗玛峰最新海拔”。使用前端开发中常见的工具链（如结合LangChain）可快速搭建原型。然而，面对需要多维度对比的复杂查询时，单线程迭代的效率瓶颈明显，这催生了更智能的规划架构。

[AFFILIATE_SLOT_1]

二、进化：Planner-Only架构与动态任务拆分

为解决固定并行工作流的僵化问题，Planner-Only架构引入了专门的规划模块（Planner）。这个模块不直接执行搜索，而是像项目经理一样分析问题复杂度，动态拆分子任务，并明确每个任务的目标、输出格式和所需工具。

Planner的核心能力源于大语言模型（LLM）的推理分析。通过精心设计的提示词模板，它能识别问题类型并制定相应策略：

  • 简单查询：1个子任务，3-10次工具调用
  • 对比查询：2-5个子任务，各10-15次调用
  • 研究查询：10+子任务，明确职责划分

例如，分析“2025年AI行业趋势”时，Planner可能拆分为政策、市场、技术、预测四个子任务，并为每个任务定义具体目标与工具使用指导。 关键建议：务必选用推理能力强的模型（如GPT-4o、Claude 3.5 Sonnet）作为Planner，其任务拆分质量直接决定系统整体效果。

三、关键优化：引入评估器解决停止难题

无论是基础迭代还是Planner-Only架构，都面临“何时停止搜索”的经典难题。传统固定阈值法既不灵活又低效。为此，工程师引入了评估器（Evaluator）模块，形成了带评估反馈的双模块设计。

评估器在每轮迭代后工作，其核心职责是：

  1. 判断当前答案是否充分（is_sufficient）
  2. 提供评估推理过程（reasoning）
  3. 明确指出知识缺口（knowledge_gap）

其中，knowledge_gap字段至关重要，它为下一步搜索提供了精准方向。例如，在笔记本电脑推荐场景中，若答案缺乏对比信息，评估器会明确指出需要补充“同类机型对比”和“特定场景性能数据”。

针对模糊问题导致的无限循环，业界提出了两种创新方案：

  • 澄清问题机制（OpenAI）：当反复搜索仍无法满足时，Agent主动向用户提问以明确需求，实现人机协作。
  • 检查清单评分法（SamayaAI）：针对长文本答案，让评估器对照预设的结构化清单进行检查，降低评估难度，提升准确性。

四、可靠升级：Planner + Plan Evaluator双模块架构

即使有了评估器，如果Planner生成的初始计划本身有缺陷，仍会导致执行失败。为此，Plan Evaluator（计划评估器）被引入，在计划执行前增加一道“审核关卡”。

该架构的工作流程是：Planner生成计划 → Plan Evaluator审核 → 合格则执行，不合格则反馈修改。审核主要关注三类问题：

1. 目标失败：计划偏离核心目标或违反约束（如超预算）。
2. 工具失败：调用不存在工具、参数错误或参数值错误。
3. 逻辑冲突：子任务间存在未处理的依赖关系。

Plan Evaluator的设计有两种思路：

  • 多计划竞争：生成多个方案选最优，质量高但成本高。
  • 单计划审核：审核修改单个计划，成本可控但可能需要多轮交互。

这种架构显著提升了系统的可靠性，特别适合复杂度高、约束多的场景，如旅行规划、项目方案设计等。

[AFFILIATE_SLOT_2]

五、范式突破：递归式ROMA架构应对层次化问题

前述架构本质仍是迭代思维。而Sentient Labs提出的ROMA（Recursive Open Meta Agent）架构则采用了递归思想，天然适合处理可层层分解的复杂问题。

在这里插入图片描述

如图所示，ROMA将核心问题递归分解为子问题，每个子问题独立处理后将结果回溯整合。与并行拆分不同，ROMA允许子问题间存在依赖关系，更贴合实际研究任务的结构。例如，分析“新能源汽车投资价值”可拆分为政策、市场、企业竞争力等一级子问题，其中“市场”又可继续拆分为需求、供给、平衡分析等二级子问题。

这种“分而治之”的递归策略，使得ROMA在处理深度研究、行业分析等层次化问题时，展现出更强的逻辑清晰度与答案完整性。

六、架构选型与落地实践指南

面对四种主流架构，如何选择？关键在于平衡复杂度与需求：

  • 基础迭代式：适合简单事实查询，快速原型验证。
  • Planner-Only：适合中等复杂度任务，如商业调研、多维度对比。
  • 双模块（带评估）：适合答案质量要求高、需避免无限循环的场景。
  • ROMA递归式：适合深度、层次化的研究分析类问题。

⚠️ 落地注意事项：

  1. 从简单架构开始，随需求升级，避免过度设计。
  2. 精心设计提示词模板，明确工具说明与输出格式。
  3. 为评估器设置清晰的判断标准与知识缺口描述规范。
  4. 在实际前端工程化中，考虑模块的复用性与状态管理。

这些架构并非互斥，实践中可根据具体场景灵活组合，例如在Planner-Only基础上加入评估器，或在ROMA的某些节点采用并行执行以提升效率。

结语：从工具执行到战略思考的演进

深度搜索Agent的架构演进，本质是智能体从“工具执行者”向“战略思考者”的转变。从ReAct的简单循环，到Planner的动态规划，再到评估器的质量把控与ROMA的递归分解，每一步都让Agent更贴近人类解决复杂问题的思维方式。对于开发者而言，理解这些架构背后的设计哲学，比单纯套用模板更为重要。未来，随着多模态与具身智能的发展，搜索Agent的架构必将迎来新的融合与突破，但其核心目标始终不变：更高效、更精准地连接问题与答案。