論文の概要: Mitigating Context Interference for Reliable and Efficient Search Agents

• arxiv url: http://arxiv.org/abs/2608.10743v1
• Date: Tue, 11 Aug 2026 10:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.001231
• Title: Mitigating Context Interference for Reliable and Efficient Search Agents
• Title（参考訳）: 信頼性・高能率検索エージェントにおける文脈干渉の軽減
• Abstract要約: 本研究では,マルチターンサーチエージェントにおけるコンテキスト干渉について検討する。 マルチターン検索エージェントのコンテキスト干渉を動的に緩和する蒸留方式のコンテキスト精錬器を提案する。 検索エージェントのRL訓練パイプラインにコンテキスト改善を組み込むことで,信頼性と効率性を大幅に向上できることを示す。
• 参考スコア（独自算出の注目度）: 67.82705889007238
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent research empowers Large Language Models (LLMs) as multi-turn search agents to iteratively retrieve and generate outputs until complex tasks are solved. However, the contexts of multi-turn search agents are lengthy and complex. For example, the retrieved set of documents in each turn would inevitably introduce irrelevant information that distracts LLMs, referring to \textit{context interference}, potentially hindering the reliability and efficiency of search agents. Therefore, we conduct a systematic study on context interference in multi-turn search agents, focusing on investigating i) which parts of the context of search agents will contribute to the context interference, ii) how to refine the contexts of search agents to mitigate the interference, and iii) can incorporating context refinement into search agent training yield further improvements. We reveal that interference primarily arises from the latest retrieved documents. Based on the explored findings, we then introduce a distill-based context refiner to dynamically mitigate context interference for multi-turn search agents. Finally, we validate that incorporating context refinement into RL training pipelines of search agents can significantly enhance both reliability and efficiency. This study highlights the importance of mitigating context interference of search agents, inspiring a novel paradigm of ``refine context and then generate'' for AI agents.
• Abstract（参考訳）: 近年,大規模言語モデル (LLM) をマルチターン検索エージェントとして活用し,複雑なタスクが解決されるまで反復的にアウトプットを検索・生成する手法が提案されている。 しかし、マルチターン検索エージェントのコンテキストは長く複雑である。 例えば、各ターンで取得された文書の集合は、必然的に LLM を邪魔する無関係な情報を導入し、 \textit{context interference} を参照して、検索エージェントの信頼性と効率を阻害する可能性がある。 そこで我々は,マルチターン検索エージェントにおける文脈干渉の系統的研究を行い,調査に焦点をあてる。 一 検索エージェントの文脈のどの部分が文脈干渉に寄与するか 二 捜査員の文脈を洗練して干渉を緩和する方法、及び 三 検索エージェント訓練に文脈改善を組み込むことにより、更なる改善を図ることができる。 我々は、主に最新の文書から干渉が発生することを明らかにした。 そこで本研究では,マルチターンサーチエージェントのコンテキスト干渉を動的に緩和する蒸留方式のコンテキストリファインダーを提案する。 最後に,検索エージェントのRLトレーニングパイプラインにコンテキスト改善を組み込むことで,信頼性と効率性を大幅に向上できることを示す。 本研究は,AIエージェントの文脈干渉を緩和することの重要性を強調し,'refine context and generation'という新たなパラダイムを創出する。

関連論文リスト

• SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration [77.28003194268977]
  SearchOSは、脆弱で暗黙的な検索進捗を明示的で永続的で共有状態に変換するシステムレベルのマルチエージェントフレームワークである。 SOCM上に構築されたSearchOSは、サブエージェントの実行を重複させるパイプライン並列スケジューリングメカニズムを適用している。 SearchOSは評価されたシングルエージェントとマルチエージェントのベースラインの中で、すべてのメトリクスをリードする。
  論文  参考訳（メタデータ） (2026-07-16T17:51:23Z)
• Scaling Retrieval-Augmented Reasoning with Parallel Search and Explicit Merging [14.434955701466597]
  MultiSearchはRLベースのフレームワークで、マルチクエリ検索と、検索した情報の明示的なマージを通じて制限に対処する。 各推論ステップにおいて、MultiSearchは複数の視点からクエリを生成し、外部情報を並列に検索し、関連する情報の範囲を広げる。 そして、このエージェントは、マージ処理時に取得した情報を統合精製し、SNRを改善し、より正確な推論を保証する。
  論文  参考訳（メタデータ） (2026-05-13T13:46:35Z)
• AutoSearch: Adaptive Search Depth for Efficient Agentic RAG via Reinforcement Learning [52.305422887002656]
  本稿では,自己生成中間回答を用いて各探索ステップを評価する強化学習フレームワークを提案する。 自己回答機構により、AutoSearchは最小限の検索深度を特定し、効率的な検索を促進する。 実験の結果、AutoSearchは検索品質を維持しながら過剰検索を軽減し、精度と効率のトレードオフが優れていることがわかった。
  論文  参考訳（メタデータ） (2026-04-19T09:05:48Z)
• Learning to Retrieve from Agent Trajectories [72.8923565916533]
  我々はエージェント間相互作用データから直接エージェント探索のための検索モデルを訓練すべきであると主張している。 エージェント・トラジェクトリからの学習を新たな訓練パラダイムとして導入し,マルチステップエージェントのインタラクションから指導を導出する。 本研究は,エージェント探索時代における検索の方向性を示すとともに,エージェントトラジェクトリを実用的でスケーラブルな監視源として強調するものである。
  論文  参考訳（メタデータ） (2026-03-30T17:59:02Z)
• SIGHT: Reinforcement Learning with Self-Evidence and Information-Gain Diverse Branching for Search Agent [39.43590030917357]
  SIGHTは、セルフエビデンスサポートと情報ゲイン駆動のディバースブランチを通じて、検索ベースの推論を強化するフレームワークである。 SIGHTは、検索結果をSESを介して高忠実性証拠に蒸留し、インフォメーションゲインスコアを算出して、重要な状態を特定する。 シングルホップとマルチホップのQAベンチマークの実験では、SIGHTが既存のアプローチを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-02-12T04:16:55Z)
• Over-Searching in Search-Augmented Large Language Models [22.821710825732563]
  検索強化された大言語モデル(LLM)は、外部検索を統合することで知識集約的なタスクに優れる。 過剰探索は、無関係な文脈を取り入れることで、計算の非効率性と幻覚をもたらす。 以上の結果から, (i) 解答可能な問合せに対する解答精度は向上するが, 解答不可能な問合せに対する棄却を損なうこと, (ii) 過剰探索が複雑な推論モデルや深層研究システムにおいてより顕著であること, (iii) 否定的証拠の存在が棄却を改善していることが示唆された。
  論文  参考訳（メタデータ） (2026-01-09T03:24:46Z)
• Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
  エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。 本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
  論文  参考訳（メタデータ） (2026-01-08T08:13:27Z)
• RE-Searcher: Robust Agentic Search with Goal-oriented Planning and Self-reflection [55.125987985864896]
  環境の複雑さが脆弱な探索行動をいかに引き起こすかを定量的に分析する。 本稿では,検索エージェントRE-Searcherのインスタンス化をシンプルかつ効果的に行う手法を提案する。 この目標指向計画と自己回帰の組み合わせにより、RE-Searcherは複雑な検索環境における急激な手がかりに抵抗することができる。
  論文  参考訳（メタデータ） (2025-09-30T10:25:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。