Résumé

Cet article aborde la recherche profonde ouverte (OEDR), un défi complexe auquel doivent faire face les agents IA, consistant à synthétiser d’immenses quantités d’informations disponibles à l’échelle du web afin d’élaborer des rapports pertinents. Les approches actuelles souffrent de limitations doubles : d’une part, des pipelines de recherche statiques qui séparent de manière rigide la planification de l’acquisition des preuves ; d’autre part, des paradigmes de génération en une seule étape qui sont particulièrement sujets à des échecs liés au contexte long, tels que la « perte au milieu » ou les hallucinations. Pour relever ces défis, nous proposons WebWeaver, un nouveau cadre à deux agents qui imite le processus de recherche humain. Le planificateur fonctionne selon un cycle dynamique, itérativement intégrant l’acquisition de preuves et l’optimisation de l’organigramme afin de produire une structure complète et fondée sur des sources, liée à une banque de mémoire contenant des preuves. Le rédacteur exécute ensuite un processus hiérarchique de récupération et d’écriture, rédigeant le rapport section par section. En effectuant une récupération ciblée, uniquement des preuves nécessaires provenant de la banque de mémoire pour chaque section, ce système atténue efficacement les problèmes liés au contexte long. Notre cadre établit un nouveau record sur les principales bases de tests OEDR, notamment DeepResearch Bench, DeepConsult et DeepResearchGym. Ces résultats valident notre approche centrée sur l’humain et itérative, démontrant que la planification adaptative et la synthèse ciblée sont essentielles pour produire des rapports de haute qualité, fiables et bien structurés.