让检索器看见推理：从 query-only 到 AgentIR

检索是深度研究 agent 循环里最常被忽视的部件。大家盯着模型会不会规划、会不会综合，L10 反过来专门讲检索器：它在整个循环里只露一面，收一条 query、吐 top-k 文档。

agent 在此之前想清楚的种种，一条也传不过去。

AgentIR（COLM 2026）把这件事当成输入与训练的双修课题：四列 agent 消融从 48.7 抬到 66.3。它还顺带纠正一个直觉。给检索器塞历史，塞多了反而掉分。

一、先看清工具：词面、嵌入与黑盒 API

谱系先摆正，L10 p.100。深度研究 agent 的检索工具分两副面孔。

本地检索 local retrieval 自己建索引、自己排序：词面匹配的 BM25 数词频，嵌入模型 embedding model 学习语义相似度。

黑盒 API 则只能喂一条 query 进去。web_search、browse 属于此类，对端怎么排序你管不着。

工具箱里还有检索之外的常客：Python 执行是 Tongyi 的配置，学术搜索则 Tongyi、DR Tulu 都带。

本篇聚焦本地检索这条线，它是唯一能为 agent 定制的一条。

本地检索的标配形制由 DPR（Dense Passage Retrieval，稠密段落检索，EMNLP 2020；L10 p.101-102）定下：双编码器 bi-encoder 架构，离线阶段用文档编码器把全库文档编成向量、建索引；在线阶段把 query 编码后与文档向量做内积打分，取 top-k：

$s(q,d)=E_q(q)^{\top}E_d(d)$

两段编码互不见面，换来文档向量可以离线预计算。这是它快的原因。训练用对比学习（contrastive learning，L10 p.103-104）：给定 query，拉近相关正例 $d^+$、推远负例 negative $d^-$：

$\mathcal{L}=-\log\frac{\exp s(q,d^{+})}{\exp s(q,d^{+})+\sum_{d^{-}}\exp s(q,d^{-})}$

这套配方有一个隐含假设：query 自带全部检索意图。单轮问答大体成立，多步研究任务不成立。下一节就从这个断层讲起。

二、断层与补法：输入要改，训练更要改

断层在 L10 p.105 说得很直白：agent 的推理不传给检索器，检索器只看到最新的 query $q_t$。

多步任务里 $q_t$ 常是残缺的，这一步搜什么，取决于前几步已经查到什么。这些信息都在推理轨迹 $\tau_t$ 里，检索器一无所知。

AgentIR 的补法是两处一起动手（L10 p.106-107）。

输入侧：检索器输入改成当前推理 $\tau_t$ + query $q_t$，已经知道什么、现在缺什么，一并喂进去。

训练侧：学习目标从文档与 query 相关，改成哪些文档对该推理步有帮助。

第二处才是硬骨头：中间步检索需要局部标签。标准训练只有全局相关性标签，即整条 query 对整篇文档相关与否；这一轮哪些文档有用，这种标签现成数据里没有。

三、DR-Synth：中间步标签从 agent 自己的需求里合成

局部标签从哪来？AgentIR 的答案是别找人标，找 agent 自己（L10 p.108-111）：DR-Synth 用 agent 自生的信息需求合成中间步训练标签。

深度研究轨迹里，agent 每一步的推理本就写明自己为什么发起这次搜索、想拿到什么。拿这份自述去核对每轮实际返回的文档，即可自动判定哪些文档对该步有用，无需人工逐步标注。

这与 Tongyi 技术报告「数据全自动合成」的思路同源：标签从 agent 行为里长出来，而不是从标注平台买回来。

效果在 L10 p.112-114：更少的搜索找到更多的证据。检索器一次给对文档，agent 不必反复换关键词重搜。

四、两张消融：双修各值多少分，历史该喂多少

第一张表（L10 p.115-118）把输入与训练两个轴拆开。四列 agent 依次为 Tongyi-DR /gpt-oss-120B / GLM-4.7 / Tongyi-DR (visit)，每格四数对应四列：

以 Tongyi-DR 列画成阶梯：

两个成分各自有增益，合并最高。输入侧的收益并非对每个 agent 都免费：Tongyi-DR (visit) 列只改输入仅涨 3.8 分，50.2→54.0，换训练数据却涨到 59.5；合起来 68.1，还是全场最高。

训练侧收益普适。输入侧的收益因 agent 而异。

第二张表（L10 p.119-123）专攻输入上下文：都用 DR-Synth 训练，只改检索器看到的输入。

• 只喂当前 query：59.4 / 59.2 / 57.5 / 59.5，就是上表右上角那格
• 加历史 queries：三列升至 61.9–63.1，GLM-4.7 只到 59.1
• 再加历史推理：约 60.8–66.3，visit 列已到 66.3
• 把历史文档也塞进去：部分设置反而下降，如 61.5
• 只喂当前步推理，也就是 AgentIR 的选择：66.3 / 67.0 / 64.7 / 68.1，全场最强

slide 结论原话：「当前步推理是最强信号」。历史不是越多越好。无关历史是噪声：历史 query 与历史文档里大量内容与本步无关，一并喂入等于给检索器添干扰项。

与本讲的连接

这也呼应本讲前半的主题：上下文的信息取舍。把什么喂给检索器，决定检索到的证据质量，进而决定报告的引用支持性，与四轴评测的第四轴闭环。

L10 的总结句（p.124 第 04 条）给检索下了新定义：检索 = 给检索器 agent 的信息需求，并为之训练。

四份材料各就各位：

• m5-agentir｜主线原典：COLM 2026 的 AgentIR 论文，DR-Synth 全文细节在此。
• m5-tongyi-dr｜消融事实源：四列消融中两列的事实源，工具谱系里 Python 执行与学术搜索的配置也是它贡献的。
• m5-openscholar｜文献综合参照：45M 开放论文的检索增强管线，同样验证「检索质量决定综合质量」。
• m5-search-r1｜另一半：证明检索行为本身可以被 RL 训练，管的是 agent 侧何时搜、搜什么；AgentIR 训练的则是检索器侧怎么读懂搜索意图。一个管动作选择，一个管意图理解。

收尾留一个检查习惯：agent 搜索三轮还在原地打转时，先别骂模型，先看检索器这一轮到底收到了什么。