解耦规划与执行：用于深度搜索的分层推理框架

现实世界搜索场景中复杂的信息需求需要跨不同来源的深度推理和知识综合，而传统的检索增强生成 (RAG) 流水线难以有效地解决这些需求。当前基于推理的方法存在一个根本的局限性：它们使用单个模型来处理高层次规划和详细执行，导致推理效率低下和可扩展性有限。在本文中，我们介绍了一种分层框架 HiRA，该框架将战略规划与专业执行分开。我们的方法将复杂的搜索任务分解为重点明确的子任务，为每个子任务分配配备外部工具和推理能力的领域特定代理，并通过结构化的集成机制协调结果。这种分离防止了执行细节扰乱高层次推理，同时使系统能够利用专业知识来处理不同类型的信息。在四个复杂的跨模态深度搜索基准上的实验表明，HiRA 显著优于最先进的 RAG 和基于代理的系统。我们的结果表明，答案质量和系统效率都有所提高，突出了分离规划和执行对于多步骤信息搜寻任务的有效性。我们的代码可在 https://github.com/ignorejjj/HiRA 获取。