論文の概要: OpenSaC: A Python Library for Search as Code in Deep Research Agents

• arxiv url: http://arxiv.org/abs/2610.25779v1
• Date: Mon, 19 Oct 2026 04:46:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:47.984781
• Title: OpenSaC: A Python Library for Search as Code in Deep Research Agents
• Title（参考訳）: OpenSaC: ディープリサーチエージェントでコードとして検索するPythonライブラリ
• Abstract要約: ディープリサーチエージェントは、反復探索、ソース試験、エビデンス合成を通じて複雑な質問を調査する。 エージェントは検索、ソース読み込み、リグレード、モデル呼び出し、ローカル処理を構成するプログラムを書き、さらなる推論のために選択された観測結果を返す。 オープンソースのPythonライブラリであるOpenSaCを紹介します。
• 参考スコア（独自算出の注目度）: 98.06796674273123
• License:
• Abstract: Deep research agents investigate complex questions through iterative search, source examination, and evidence synthesis. A conventional workflow alternates reasoning with individual search and reading actions. Search as Code introduces a new paradigm: agents write programs that compose search, source reading, reranking, model calls, and local processing, returning selected observations for further reasoning. To support this workflow in existing coding agents, we present OpenSaC, an open-source Python library with a companion Search as Code skill. Configurable capability interfaces let agents combine these operations while retaining evidence for inspection and reuse. Compared with standard Codex using its built-in web search, the OpenSaC configuration uses less execution time and fewer model tokens on BrowseComp and WideSearch, with higher accuracy on BrowseComp and slightly lower row F1 on WideSearch. We aim to lower the barrier to adopting Search as Code and provide an open foundation for community development and transparent research on deep research agents.
• Abstract（参考訳）: ディープリサーチエージェントは、反復探索、ソース試験、エビデンス合成を通じて複雑な質問を調査する。 従来のワークフローでは、推論と個々の検索と読み込みのアクションを交互に行う。 エージェントは検索、ソース読み込み、リグレード、モデル呼び出し、ローカル処理を構成するプログラムを書き、さらなる推論のために選択された観測結果を返す。 既存のコーディングエージェントでこのワークフローをサポートするために,オープンソースのPythonライブラリであるOpenSaCを紹介した。 設定可能な機能インターフェースにより、エージェントはこれらの操作を組み合わせながら、検査と再利用の証拠を保持することができる。 ビルトインのWeb検索を使用する標準のCodexと比較すると、OpenSaC設定はBrowseCompとWideSearchのモデルトークンが少なく、BrowseCompでは精度が高く、WideSearchでは行F1がわずかに低い。 我々は,検索・アズ・コード導入の障壁を低くし,コミュニティ開発と深層研究エージェントの透明な研究のためのオープンな基盤を提供することを目的としている。

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)
• ToFu: A White-Box, Token-Efficient Agent Harness for Researchers [73.72929185946842]
  ToFuは、ファイルを読み、ファイルを編集し、コマンドを実行し、開発ツールと統合する研究者のためのエージェントハーネスだ。 研究助手として、より優れたトークン効率、低コスト、多言語能力で実践的な研究を支援する。 研究対象として、ToFuはホワイトボックスのエージェントハーネスを提供しており、研究者はオーケストレーションロジック、ツール使用の振る舞い、デザインを検査、修正、評価することができる。
  論文  参考訳（メタデータ） (2026-07-13T11:26:06Z)
• CORE-Bench: A Comprehensive Benchmark for Code Retrieval in the Era of Agentic Coding [44.75033190929879]
  CORE-Benchはエージェントコーディングの時代におけるコード検索のベンチマークである。 コード理解、イシュー・ツー・エグゼクティブのローカライゼーション、より広いコンテキスト検索という3つのレベルで能力を評価する。 代表的な埋め込みモデルを用いた実験は、従来のコード検索からエージェント的なコーディング設定でのコード検索への急激な低下を示している。
  論文  参考訳（メタデータ） (2026-06-10T09:38:41Z)
• GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
  GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。 DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
  論文  参考訳（メタデータ） (2026-05-28T03:37:33Z)
• CodeScout: An Effective Recipe for Reinforcement Learning of Code Search Agents [43.426809750160665]
  標準Unix端末にしか搭載されていない符号化エージェントをトレーニングして,強靭な結果が得られることを示す。 本研究は,コード検索,報酬設計,RL最適化のための既存のコーディングエージェント環境を再利用する技術に重点を置いている。 得られたモデルファミリであるCodeScoutと、コミュニティが構築するすべてのコードとデータをリリースします。
  論文  参考訳（メタデータ） (2026-03-18T15:25:42Z)
• ManuSearch: Democratizing Deep Search in Large Language Models with a Transparent and Open Multi-Agent Framework [73.91207117772291]
  ManuSearchは,大規模言語モデル(LLM)の深層検索を民主化するために設計された,透明でモジュール化されたマルチエージェントフレームワークである。 ManuSearchは検索と推論のプロセスを,(1)サブクエリを反復的に定式化するソリューション計画エージェント,(2)リアルタイムWeb検索を通じて関連文書を検索するインターネット検索エージェント,(3)生のWebコンテンツから重要な証拠を抽出する構造化Webページ読取エージェントの3つに分解する。
  論文  参考訳（メタデータ） (2025-05-23T17:02:02Z)
• COSEA: Convolutional Code Search with Layer-wise Attention [90.35777733464354]
  我々は、畳み込みニューラルネットワークを階層的注意で活用し、コード固有の構造論理をキャプチャする新しいディープラーニングアーキテクチャ、COSEAを提案する。 COSEAは、コード検索タスクの最先端メソッドよりも大幅に改善できる。
  論文  参考訳（メタデータ） (2020-10-19T13:53:38Z)

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。