Résumé

Les progrès récents des systèmes de recherche approfondie ont démontré le potentiel des agents intelligents artificiels à découvrir et à synthétiser de manière autonome des connaissances à partir de sources externes. Dans cet article, nous présentons WebResearcher, un cadre novateur pour concevoir de tels agents, fondé sur deux composants clés : (1) WebResearcher, un paradigme itératif de recherche approfondie qui reformule la recherche complexe comme un processus de décision markovien, dans lequel les agents consolident périodiquement leurs découvertes dans des rapports évoluant au fil du temps, tout en maintenant des espaces de travail ciblés, permettant ainsi de surmonter les problèmes de saturation contextuelle et de contamination par le bruit caractéristiques des approches mono-contextuelles existantes ; et (2) WebFrontier, un moteur de synthèse de données évolutif qui génère des données d’entraînement de haute qualité grâce à une escalade de complexité augmentée par des outils, permettant ainsi la création systématique de tâches de recherche qui comblent le fossé entre la récupération passive des connaissances et la construction active de savoir. Notamment, nous constatons que les données d’entraînement issues de notre paradigme améliorent significativement les capacités d’utilisation d’outils, même pour les méthodes traditionnelles mono-contextuelles. En outre, notre paradigme s’échelonne naturellement grâce à une pensée parallèle, permettant une exploration concurrente par plusieurs agents afin d’atteindre des conclusions plus complètes. Des expériences étendues sur six benchmarks exigeants montrent que WebResearcher atteint des performances de pointe, dépassant même certains systèmes propriétaires de pointe.