최근 딥리서치 시스템의 발전은 인공지능(AI) 에이전트가 외부 자원으로부터 지식을 자율적으로 탐색하고 통합할 수 있는 잠재력을 입증하였다. 본 논문에서는 이러한 에이전트를 구축하기 위한 새로운 프레임워크인 WebResearcher를 제안한다. 이 프레임워크는 두 가지 핵심 구성 요소로 구성된다. 첫째, WebResearcher는 반복적인 딥리서치 패러다임으로, 딥리서치를 마르코프 결정 과정(Markov Decision Process, MDP)으로 재정의한다. 이 과정에서 에이전트는 주기적으로 발견된 내용을 진화하는 보고서로 정리하면서도 집중적인 작업 환경을 유지함으로써, 기존의 단일 컨텍스트 기반 접근법에서 흔히 발생하는 컨텍스트 과부하(또는 컨텍스트 블로킹)와 노이즈 오염 문제를 극복한다. 둘째, WebFrontier는 도구 증강을 통한 복잡도 증강(Complexity Escalation) 방식을 활용하여 고품질의 학습 데이터를 체계적으로 생성하는 확장 가능한 데이터 통합 엔진이다. 이를 통해 수동적 지식 회상과 능동적 지식 구축 사이의 격차를 메울 수 있는 연구 과제를 체계적으로 설계할 수 있다.특히, 본 연구에서는 제안한 패러다임을 통해 생성된 학습 데이터가 기존의 단일 컨텍스트 기반 방법론에 대해서도 도구 사용 능력을 상당히 향상시킨다는 점을 발견하였다. 더불어, 본 패러다임은 병렬적 사고(parallel thinking)를 자연스럽게 통해 확장 가능하여, 동시에 여러 에이전트가 탐색함으로써 보다 포괄적인 결론 도출이 가능하다. 6개의 도전적인 벤치마크에서 실시한 광범위한 실험 결과, WebResearcher는 기존 최첨단 프라이버시 시스템조차 뛰어넘는 최고 수준의 성능을 달성함을 입증하였다.