Abstract

Diese Arbeit befasst sich mit Open-Ended Deep Research (OEDR), einer komplexen Herausforderung, bei der KI-Agenten riesige, webbasierte Informationsmengen zu fundierten Berichten zusammenführen müssen. Aktuelle Ansätze leiden unter zwei grundlegenden Einschränkungen: statische Forschungspipelines, die Planung und Erhebung von Beweisen voneinander trennen, sowie Einzelgenerierungsparadigmen, die leicht anfällig für Probleme bei langen Kontexten sind, wie etwa „Verlust in der Mitte“ oder Halluzinationen. Um diese Herausforderungen zu bewältigen, stellen wir WebWeaver vor – einen neuartigen Dual-Agenten-Framework, der den menschlichen Forschungsprozess nachahmt. Der Planer arbeitet in einem dynamischen Zyklus, bei dem die Erhebung von Beweisen und die Optimierung des Gliederungsentwurfs iterativ verflochten werden, um einen umfassenden, quellenbasierten Gliederungsplan zu erzeugen, der mit einem Gedächtnis-Repository von Beweisen verknüpft ist. Anschließend führt der Schreiber einen hierarchischen Abruf- und Schreibprozess durch, wobei der Bericht abschnittsweise verfasst wird. Durch gezielten Abruf nur der für jeden Abschnitt erforderlichen Beweise aus dem Gedächtnis-Repository wird effektiv das Problem langer Kontexte gemildert. Unser Framework erreicht eine neue State-of-the-Art-Leistung auf mehreren führenden OEDR-Benchmarks, darunter DeepResearch Bench, DeepConsult und DeepResearchGym. Diese Ergebnisse bestätigen unsere menschenzentrierte, iterative Methode und zeigen, dass adaptive Planung und fokussierte Synthese entscheidend für die Erstellung hochwertiger, zuverlässiger und gut strukturierter Berichte sind.