這項(xiàng)由普林斯頓大學(xué)語(yǔ)言與智能實(shí)驗(yàn)室（Princeton Language and Intelligence）開(kāi)展的研究，于2026年4月發(fā)表，論文編號(hào)為arXiv:2604.11753。有興趣深入了解的讀者可以通過(guò)該編號(hào)在arXiv平臺(tái)查詢(xún)完整論文。

當(dāng)你委托一家偵探事務(wù)所調(diào)查一個(gè)復(fù)雜案件時(shí)，聰明的做法往往不是只派一個(gè)偵探去查，而是同時(shí)派出多名偵探分頭行動(dòng)，最后再把各自的發(fā)現(xiàn)匯總，由一位經(jīng)驗(yàn)豐富的老偵探綜合研判，得出最終結(jié)論。這篇論文要解決的，正是這樣一個(gè)問(wèn)題：當(dāng)我們同時(shí)讓多個(gè)AI探員去執(zhí)行復(fù)雜的信息搜索或深度研究任務(wù)時(shí)，如何把他們各自的調(diào)查結(jié)果匯聚成一個(gè)最優(yōu)的最終答案？

研究團(tuán)隊(duì)提出的方案叫做**AggAgent**（聚合探員），它本質(zhì)上也是一個(gè)AI探員，只不過(guò)它的任務(wù)不是去互聯(lián)網(wǎng)上搜索信息，而是翻閱其他探員留下的調(diào)查筆記，然后綜合研判，給出最終結(jié)論。

一、為什么要派多個(gè)AI同時(shí)工作？

以下先從問(wèn)題的根源說(shuō)起。近年來(lái)，大型語(yǔ)言模型（也就是像ChatGPT這類(lèi)AI）在回答問(wèn)題、寫(xiě)文章、做研究等方面越來(lái)越厲害。研究人員發(fā)現(xiàn)，讓AI多思考一會(huì)兒、多嘗試幾次，往往能得到更好的結(jié)果——這種做法被稱(chēng)為"測(cè)試時(shí)算力擴(kuò)展"，通俗來(lái)說(shuō)就是用更多計(jì)算資源換取更好的輸出質(zhì)量。

對(duì)于數(shù)學(xué)題、編程題這類(lèi)有標(biāo)準(zhǔn)答案的任務(wù)，一個(gè)成熟的做法是讓AI生成多個(gè)答案，然后選最多AI同意的那個(gè)（就像班級(jí)投票選班長(zhǎng)）。但論文研究的是一類(lèi)更復(fù)雜的任務(wù)：讓AI去互聯(lián)網(wǎng)上搜索信息、撰寫(xiě)長(zhǎng)篇深度報(bào)告，或者回答需要查閱大量資料才能解答的專(zhuān)業(yè)問(wèn)題。這類(lèi)任務(wù)的特點(diǎn)是，AI需要反復(fù)搜索、點(diǎn)擊網(wǎng)頁(yè)、閱讀內(nèi)容、綜合信息，整個(gè)過(guò)程可能長(zhǎng)達(dá)數(shù)百個(gè)步驟，產(chǎn)生的"調(diào)查日志"動(dòng)輒幾十萬(wàn)字。

研究團(tuán)隊(duì)發(fā)現(xiàn)，對(duì)這類(lèi)復(fù)雜任務(wù)，同時(shí)派出多個(gè)AI探員并行工作的效果非常顯著。以GLM-4.7-Flash這個(gè)模型為例，單個(gè)探員獨(dú)立工作時(shí)在BrowseComp（一個(gè)專(zhuān)門(mén)測(cè)試網(wǎng)絡(luò)信息搜索能力的題庫(kù)）上的正確率只有27%，但同時(shí)派出8個(gè)探員，只要其中至少有一個(gè)答對(duì)了，成功率就能飆升到59%。換句話(huà)說(shuō)，正確答案很可能已經(jīng)藏在某個(gè)探員的調(diào)查筆記里了——關(guān)鍵在于怎么把它找出來(lái)。

二、現(xiàn)有的匯總方法為什么都不夠用？

這就引出了核心難題：如何把8個(gè)探員各自冗長(zhǎng)的調(diào)查報(bào)告匯總成一個(gè)最佳答案？

研究團(tuán)隊(duì)梳理了現(xiàn)有的幾類(lèi)匯總方法，并指出了它們各自的局限。

最簡(jiǎn)單的方法是"投票"——看哪個(gè)答案出現(xiàn)的次數(shù)最多就選哪個(gè)。但這種方法有明顯缺陷：當(dāng)任務(wù)要求給出多個(gè)答案，或者答案本身是一篇長(zhǎng)篇報(bào)告時(shí)，投票根本無(wú)法操作。此外，很多時(shí)候正確答案只有一個(gè)探員找到了，多數(shù)人投票會(huì)把它淘汰掉。研究團(tuán)隊(duì)還測(cè)試了"置信度加權(quán)投票"，也就是讓置信度高的探員的答案權(quán)重更大。這個(gè)方法在某些任務(wù)上有效，但在醫(yī)學(xué)問(wèn)答和開(kāi)放式研究報(bào)告類(lèi)任務(wù)上幾乎沒(méi)用，因?yàn)锳I在這類(lèi)任務(wù)上的自信程度和它實(shí)際答得有多對(duì)根本不相關(guān)——AI可能信心滿(mǎn)滿(mǎn)地給出一個(gè)錯(cuò)誤答案。另一個(gè)流行方法叫"最少工具調(diào)用"——選那個(gè)搜索次數(shù)最少、步驟最簡(jiǎn)潔的探員的結(jié)論，理由是簡(jiǎn)潔往往意味著思路清晰。這個(gè)方法在某些簡(jiǎn)單的搜索任務(wù)上偶爾有效，但同樣缺乏通用性。

更聰明一些的做法是"方案匯總"：把8個(gè)探員各自的最終答案（只取最后的結(jié)論，不看過(guò)程）一股腦丟給一個(gè)AI，讓它綜合出最終答案。這個(gè)方法比投票進(jìn)步了不少，但丟失了探員調(diào)查過(guò)程中積累的大量關(guān)鍵證據(jù)。更進(jìn)階的版本是"摘要匯總"：先把每個(gè)探員長(zhǎng)達(dá)數(shù)十萬(wàn)字的調(diào)查日志壓縮成一份精簡(jiǎn)摘要，再把8份摘要交給AI綜合。問(wèn)題是，壓縮過(guò)程本身會(huì)丟失很多細(xì)節(jié)，而且需要額外運(yùn)行8次AI壓縮任務(wù)，成本極高。

研究團(tuán)隊(duì)把這個(gè)兩難困境形象地概括為：直接把所有探員的完整日志塞給AI，會(huì)超出AI的記憶上限（類(lèi)似于讓一個(gè)人同時(shí)讀完8本厚書(shū)，超出了短時(shí)記憶容量）；但只看最終結(jié)論或者壓縮摘要，又會(huì)丟失大量關(guān)鍵證據(jù)。

三、AggAgent：像偵探長(zhǎng)一樣翻閱案卷的AI

面對(duì)上述困境，普林斯頓的研究團(tuán)隊(duì)提出了一個(gè)核心思路：既然8個(gè)探員的完整日志太長(zhǎng)、無(wú)法一次性全部讀完，那就給"偵探長(zhǎng)"配備一套專(zhuān)用工具，讓它能夠按需翻閱案卷，而不是被迫一口氣讀完所有內(nèi)容。

AggAgent的工作方式是這樣的：它首先看一眼每個(gè)探員的案卷摘要信息——比如這個(gè)探員一共走了多少步、用了哪些工具、搜索了多少次——相當(dāng)于快速瀏覽案卷封面。然后，它調(diào)用第一個(gè)工具"get\_solution"，獲取所有探員的最終結(jié)論，相當(dāng)于把8份報(bào)告的最后一頁(yè)全部攤開(kāi)來(lái)對(duì)比。

發(fā)現(xiàn)有分歧之后，AggAgent會(huì)像偵探長(zhǎng)一樣開(kāi)始深挖具體細(xì)節(jié)。它有第二個(gè)工具"search\_trajectory"：給定一個(gè)關(guān)鍵詞，在某個(gè)探員的完整日志里做關(guān)鍵詞檢索，返回最相關(guān)的幾個(gè)步驟——類(lèi)似于在一本厚厚的偵探日記里搜索"嫌疑人"這個(gè)詞，直接跳到最關(guān)鍵的段落。這個(gè)工具還有一個(gè)細(xì)心的設(shè)計(jì)：可以指定只搜索"工具返回的客觀觀測(cè)結(jié)果"，而不是搜索"探員自己的主觀推斷"，因?yàn)榍罢卟攀强尚诺牡谝皇肿C據(jù)。第三個(gè)工具是"get\_segment"，可以讀取某個(gè)探員日志中連續(xù)若干步驟的完整內(nèi)容，相當(dāng)于把那幾頁(yè)案卷完整翻出來(lái)仔細(xì)閱讀。最后，當(dāng)AggAgent確認(rèn)了關(guān)鍵證據(jù)，就調(diào)用"finish"工具提交最終答案，并附上綜合研判的理由。

這套工具的妙處在于：AggAgent不需要把所有探員的全部日志都裝進(jìn)腦子里，而是用"先粗讀后精讀"的策略，只在需要時(shí)精準(zhǔn)地讀取關(guān)鍵片段。整個(gè)匯總過(guò)程的計(jì)算量，被控制在和單次探員工作相當(dāng)?shù)乃剑粫?huì)隨著探員數(shù)量的增加而急劇膨脹。

四、實(shí)驗(yàn)設(shè)計(jì)：考驗(yàn)這位偵探長(zhǎng)的六道難題

為了驗(yàn)證AggAgent的效果，研究團(tuán)隊(duì)設(shè)計(jì)了全面的測(cè)試體系，使用了三類(lèi)不同規(guī)模的AI模型——30億參數(shù)的GLM-4.7-Flash、1220億參數(shù)的Qwen3.5-122B，以及2290億參數(shù)的MiniMax-M2.5——在六個(gè)不同的任務(wù)場(chǎng)景上進(jìn)行了橫向?qū)Ρ取?/p>

六個(gè)任務(wù)涵蓋兩大類(lèi)別。第一類(lèi)是"信息搜索類(lèi)"，包括四個(gè)具體任務(wù)：BrowseComp要求AI通過(guò)多步驟網(wǎng)絡(luò)瀏覽找到極其刁鉆的事實(shí)性問(wèn)題的答案；BrowseComp-Plus是在本地知識(shí)庫(kù)中完成類(lèi)似任務(wù)；HLE（Humanity's Last Exam）是一套涵蓋各學(xué)科的專(zhuān)家級(jí)題目；DeepSearchQA要求AI找出一個(gè)問(wèn)題的所有正確答案，缺一不可。第二類(lèi)是"深度研究類(lèi)"，包括兩個(gè)任務(wù)：Healthbench-Hard要求AI針對(duì)復(fù)雜醫(yī)學(xué)問(wèn)題生成全面的長(zhǎng)篇回答；ResearchRubrics是開(kāi)放式研究任務(wù)，答案質(zhì)量按照多維度細(xì)則評(píng)分。

每個(gè)任務(wù)、每個(gè)模型都并行運(yùn)行8個(gè)AI探員，每個(gè)探員最多可以進(jìn)行100次工具調(diào)用，上下文窗口最長(zhǎng)128000個(gè)詞（約等于一部厚厚的長(zhǎng)篇小說(shuō)）。研究團(tuán)隊(duì)統(tǒng)計(jì)了每種匯總方法的準(zhǔn)確率、成本（以美元計(jì)）和延遲時(shí)間（以秒計(jì)），進(jìn)行了全面比較。

五、實(shí)驗(yàn)結(jié)果：偵探長(zhǎng)勝出，而且成本驚人地低

實(shí)驗(yàn)結(jié)果顯示，AggAgent在幾乎所有任務(wù)和所有模型上都超越了其他所有匯總方法。相比單個(gè)探員獨(dú)立工作，使用8個(gè)探員加AggAgent匯總，平均提升了13到18個(gè)百分點(diǎn)。相比最強(qiáng)的現(xiàn)有競(jìng)爭(zhēng)者"方案匯總"，AggAgent平均再提升了2到5個(gè)百分點(diǎn)，在深度研究類(lèi)任務(wù)（醫(yī)學(xué)問(wèn)答和研究報(bào)告）上更是領(lǐng)先超過(guò)10個(gè)百分點(diǎn)。

數(shù)字背后有個(gè)很有意思的現(xiàn)象：摘要匯總方法在信息搜索類(lèi)任務(wù)上表現(xiàn)還不錯(cuò)（因?yàn)榘颜{(diào)查日志壓縮成摘要還能保留關(guān)鍵事實(shí)），但在深度研究類(lèi)任務(wù)上卻表現(xiàn)很差——因?yàn)樯砷L(zhǎng)篇醫(yī)學(xué)報(bào)告或研究報(bào)告時(shí)，摘要壓縮會(huì)破壞內(nèi)容的細(xì)節(jié)和邏輯連貫性，導(dǎo)致輸出質(zhì)量大幅下滑。AggAgent則在兩類(lèi)任務(wù)上都保持了強(qiáng)勁表現(xiàn)。

成本方面，研究團(tuán)隊(duì)做了精細(xì)的核算。以8個(gè)探員并行工作為例，探員本身的運(yùn)行成本（網(wǎng)絡(luò)搜索API費(fèi)用加上AI計(jì)算費(fèi)用）是固定的，各種匯總方法都在這個(gè)基礎(chǔ)上增加額外開(kāi)銷(xiāo)。投票類(lèi)方法幾乎不增加額外成本，但效果有限。方案匯總只需要一次額外的AI調(diào)用，成本增加約3.7%。AggAgent需要進(jìn)行多輪工具調(diào)用式的匯總推理，額外成本約為5.7%。而摘要匯總需要先對(duì)每個(gè)探員的報(bào)告分別壓縮，再做最終匯總，額外成本高達(dá)41%。也就是說(shuō)，AggAgent用比方案匯總多一點(diǎn)點(diǎn)的代價(jià)，換來(lái)了遠(yuǎn)優(yōu)于摘要匯總的效果，是性?xún)r(jià)比最高的方案。

延遲時(shí)間方面同樣如此。方案匯總速度最快，但效果有限；摘要匯總因?yàn)樾枰⑿卸啻蜛I調(diào)用，實(shí)際延遲也較長(zhǎng)；AggAgent的延遲和方案匯總處于同一量級(jí)，遠(yuǎn)低于摘要匯總。

六、進(jìn)階發(fā)現(xiàn)：派一個(gè)更厲害的偵探長(zhǎng)會(huì)怎樣？

研究團(tuán)隊(duì)還追問(wèn)了一個(gè)有趣的問(wèn)題：如果派出的8個(gè)探員能力有限（使用小模型GLM-4.7-Flash），但聘請(qǐng)一位能力更強(qiáng)的偵探長(zhǎng)（使用大模型MiniMax-M2.5）來(lái)匯總，效果會(huì)怎樣？

實(shí)驗(yàn)結(jié)果顯示，聘請(qǐng)更強(qiáng)的偵探長(zhǎng)確實(shí)能進(jìn)一步提升成績(jī)。在BrowseComp-Plus這個(gè)任務(wù)上，用8個(gè)小探員加強(qiáng)偵探長(zhǎng)的組合，甚至超過(guò)了"8個(gè)探員中至少有一個(gè)答對(duì)"這個(gè)理論上限（Pass@8）。這說(shuō)明，更強(qiáng)的偵探長(zhǎng)有能力把多個(gè)探員的不完整線(xiàn)索拼湊成一個(gè)任何單個(gè)探員都給不出的完整答案。這個(gè)發(fā)現(xiàn)對(duì)實(shí)際產(chǎn)品設(shè)計(jì)很有啟發(fā)：在多智能體系統(tǒng)中，可以用大量廉價(jià)的小模型做并行搜索，再用一個(gè)能力較強(qiáng)的模型專(zhuān)門(mén)負(fù)責(zé)匯總——"廉價(jià)偵探多跑腿，精英偵探長(zhǎng)做研判"的分工模式，在成本和效果上都可能達(dá)到很好的平衡。

七、綜合還是精選？偵探長(zhǎng)應(yīng)該寫(xiě)新報(bào)告還是直接采用某份舊報(bào)告？

研究團(tuán)隊(duì)還做了一個(gè)頗具啟發(fā)性的對(duì)比實(shí)驗(yàn)：既然AggAgent可以在閱讀完所有日志后綜合寫(xiě)出一份全新的最終答案，那如果它只做"選擇"而非"創(chuàng)作"——即直接從8份報(bào)告中選出最好的那份——效果會(huì)有什么差別？

實(shí)驗(yàn)結(jié)果顯示，綜合創(chuàng)作的效果整體上優(yōu)于直接選擇。尤其是在深度研究類(lèi)任務(wù)上，差距相當(dāng)明顯。原因不難理解：研究報(bào)告的質(zhì)量是分散的，每個(gè)探員可能在某些方面寫(xiě)得很好，在另一些方面有所欠缺，沒(méi)有哪個(gè)探員能做到面面俱到。直接選一份等于接受了某個(gè)探員的全部缺陷，而綜合創(chuàng)作則可以從各探員那里各取所長(zhǎng)，拼出一份更完整的報(bào)告。對(duì)于信息搜索類(lèi)任務(wù)，由于每個(gè)問(wèn)題往往只有一個(gè)正確答案，探員要么答對(duì)要么答錯(cuò)，直接選擇最好那份的策略相對(duì)合理，但綜合創(chuàng)作仍然略占優(yōu)勢(shì)。

八、偵探長(zhǎng)的工作習(xí)慣：它到底怎么用這些工具？

研究團(tuán)隊(duì)還對(duì)AggAgent的實(shí)際工具使用情況做了統(tǒng)計(jì)分析。數(shù)據(jù)顯示，"關(guān)鍵詞檢索"工具（search\_trajectory）占到了總工具調(diào)用次數(shù)的絕大部分，而"獲取最終結(jié)論"（get\_solution）和"提交答案"（finish）各自大約只被調(diào)用一次——符合設(shè)計(jì)的工作流程：先看一眼所有人的結(jié)論，再反復(fù)檢索關(guān)鍵細(xì)節(jié)，最后一錘定音。"讀取完整片段"（get\_segment）的使用頻率低于關(guān)鍵詞檢索，說(shuō)明AggAgent確實(shí)做到了精準(zhǔn)定位、按需精讀，而非盲目翻閱大量?jī)?nèi)容。

另一個(gè)有趣的規(guī)律是：模型能力越強(qiáng)，AggAgent需要調(diào)用的工具次數(shù)越少。GLM-4.7-Flash作為偵探長(zhǎng)時(shí)平均每次任務(wù)需要約14到18次工具調(diào)用，而MiniMax-M2.5作為偵探長(zhǎng)時(shí)只需要5到12次。能力更強(qiáng)的偵探長(zhǎng)在看完最終結(jié)論后往往就能做出更準(zhǔn)確的判斷，不需要反復(fù)翻閱細(xì)節(jié)。深度研究類(lèi)任務(wù)相比信息搜索類(lèi)任務(wù)工具調(diào)用次數(shù)也更少，可能是因?yàn)檠芯繄?bào)告類(lèi)任務(wù)中各探員的分歧更多體現(xiàn)在內(nèi)容取舍上，而非某個(gè)具體事實(shí)的對(duì)錯(cuò)。

研究團(tuán)隊(duì)還分析了AggAgent在哪些場(chǎng)景下能扭轉(zhuǎn)局勢(shì)，從錯(cuò)誤中找到正確答案。他們歸納了四類(lèi)典型行為：其一是"少數(shù)派發(fā)現(xiàn)"——多數(shù)探員給出了錯(cuò)誤答案，但AggAgent從少數(shù)探員的調(diào)查日志中找到了有力的證據(jù)支持，堅(jiān)持了正確答案。其二是"分歧消解"——多個(gè)探員給出了不同答案，AggAgent通過(guò)對(duì)比原始工具返回的客觀數(shù)據(jù)，判斷出哪一份證據(jù)更可靠。其三是"跨日志綜合"——所有探員的結(jié)論都是錯(cuò)誤的，但每個(gè)探員的日志中都包含某一塊拼圖碎片，AggAgent把這些碎片拼在一起得出了正確答案，任何單一探員都無(wú)法單獨(dú)完成這個(gè)工作。其四是"啟發(fā)式研判"——AggAgent先把多數(shù)人的答案當(dāng)作一個(gè)參考基準(zhǔn)，然后去追查持不同意見(jiàn)的那個(gè)探員的推理過(guò)程，最終判斷它是犯了某種系統(tǒng)性錯(cuò)誤，從而堅(jiān)持了多數(shù)人的答案。

說(shuō)到底，這項(xiàng)研究解決的是一個(gè)相當(dāng)實(shí)際的工程問(wèn)題：在商業(yè)化部署大量AI探員時(shí)，怎么把它們的輸出匯聚成最好的結(jié)果，同時(shí)把額外的時(shí)間和金錢(qián)成本控制在最低。答案是：給匯總這件事本身也配一個(gè)會(huì)用工具的AI探員，讓它像偵探長(zhǎng)一樣按需翻閱案卷，而不是被迫把所有案卷都裝進(jìn)腦子里，也不用事先把所有案卷壓縮成可能失真的摘要。

這項(xiàng)研究目前尚未涉及對(duì)AggAgent本身進(jìn)行專(zhuān)門(mén)訓(xùn)練——它使用的是現(xiàn)成的商業(yè)AI模型，開(kāi)箱即用。研究團(tuán)隊(duì)明確指出，專(zhuān)門(mén)針對(duì)匯總?cè)蝿?wù)訓(xùn)練一個(gè)聚合探員，是下一步很有前景的方向。如果你對(duì)多智能體系統(tǒng)、大模型的并行推理或測(cè)試時(shí)算力擴(kuò)展等話(huà)題感興趣，不妨通過(guò)arXiv編號(hào)2604.11753查閱這篇論文的完整版本。

Q&A

Q1：AggAgent和普通的"讓AI綜合多個(gè)答案"有什么不同？

A：普通方案匯總只把多個(gè)AI的最終結(jié)論交給AI綜合，相當(dāng)于只看每個(gè)偵探的最終結(jié)論。AggAgent則配備了工具，可以按需翻閱每個(gè)AI的完整調(diào)查過(guò)程，定向檢索關(guān)鍵證據(jù)，相當(dāng)于偵探長(zhǎng)能隨時(shí)翻閱案卷原文。這使得它能發(fā)現(xiàn)并糾正某些探員在推理中犯的錯(cuò)誤，還能把多個(gè)探員各自發(fā)現(xiàn)的不同線(xiàn)索拼合成完整答案。

Q2：AggAgent運(yùn)行起來(lái)成本高嗎？

A：相比只看最終答案的方案匯總，AggAgent在8個(gè)并行探員的基礎(chǔ)上只增加約5.7%的額外成本，遠(yuǎn)低于先壓縮每個(gè)探員報(bào)告再匯總的摘要匯總方法（后者額外成本高達(dá)41%）。換句話(huà)說(shuō)，AggAgent用比摘要匯總便宜得多的代價(jià)，取得了比它更好的效果。

Q3：多個(gè)AI探員并行工作比單個(gè)探員工作強(qiáng)在哪里？

A：并行工作最大的優(yōu)勢(shì)是，不同探員可能走不同的搜索路徑，覆蓋更多可能的線(xiàn)索。以GLM-4.7-Flash模型為例，單個(gè)探員在BrowseComp任務(wù)上正確率只有27%，但同時(shí)派8個(gè)探員，只要其中一個(gè)答對(duì)，成功率就能達(dá)到59%。AggAgent的價(jià)值正在于把這59%的潛在成功率，盡可能轉(zhuǎn)化為最終輸出的實(shí)際成功率。