في الآونة الأخيرة، أظهرت النماذج الكبيرة للاستدلال قدرات قوية في الرياضيات والبرمجة، كما أن البحث العميق يستفيد من قدرات الاستدلال هذه في مهام استرجاع المعلومات الصعبة. تقتصر معظم الدراسات الحالية في مجال البحث العميق على مصدر معرفي واحد فقط، إما محليًا أو على الإنترنت. ومع ذلك، فإن الشركات غالبًا ما تحتاج إلى أنظمة بحث عميقة خاصة قادرة على استخدام أدوات بحث على كل من المجموعة المحلية والإنترنت. إن فكرة تدريب وكيل مزود بعدة أدوات بحث باستخدام التعلم القائم على التقويم المسطح (RL) تبدو بسيطة، لكنها تواجه مشكلات مثل ضعف كفاءة بيانات التدريب وصعوبة إتقان الأدوات المعقدة. ولحل هذه المشكلة، نقترح إطارًا هرميًا للبحث العقلي العميق، يُسمى "هيرسيرش" (HierSearch)، يتم تدريبه باستخدام التعلم القائم على التقويم الهرمي. على المستوى السفلي، يتم تدريب وكيل بحث عميقة محلي ووكيل بحث عميقة على الإنترنت، بحيث يُستخلص الدليل من المجالات المقابلة لكل منهما. أما على المستوى العلوي، فيقوم وكيل الخطة بتنسيق الوكلاء على المستوى السفلي وتقديم الإجابة النهائية. علاوة على ذلك، لمنع نسخ الإجابات مباشرة وانتشار الأخطاء، صممنا مُعدّلًا للمعرفة يقوم بتصفية التخيلات والدليل غير الضروري الذي تُعيدُه الوكلاء على المستوى السفلي. تُظهر التجارب أن هيرسيرش يحقق أداءً أفضل مقارنة بالتعلم القائم على التقويم المسطح، كما يتفوق على مجموعة متنوعة من النماذج المُعتمدة على البحث العميق ونماذج التوليد المدعوم بالاسترجاع من مصادر متعددة في ستة معايير تغطي المجالات العامة والمالية والطبية.