??摘要

檢索增強生成（RAG）在開放域問答任務中表現出色。然而，傳統搜索引擎可能會檢索淺層內容，限制了大型語言模型（LLM）處理復雜、多層次信息的能力。為了解決這個問題，我們引入了WebWalkerQA，一個旨在評估LLM執行網頁遍歷能力的基準。它評估LLM系統性地遍歷網站子頁面以獲取對應信息的能力。同時我們提出了WebWalker，一個通過explorer-critic范式模擬人類網頁導航的multi-agent框架。廣泛的實驗結果表明，WebWalkerQA具有挑戰性，證明了結合WebWalker的RAG在實際場景中通過橫向搜索和縱向頁面挖掘集成的有效性。

RAG場景下，搜索引擎只是對query的橫向網頁搜索，缺少對搜索到的網頁進行縱向的深度深挖！

1?? 動機：

大型語言模型（LLM）通常處于知識固定狀態（無法實時更新）。盡管使用檢索增強生成（RAG）可以獲取最新信息，但傳統搜索引擎（如谷歌、百度等）的橫向搜索方式限制了對信息的深層挖掘能力，無法像人類一樣通過逐步點擊等操作獲取更多細節，從而更“聰明”地獲取所需信息。因此，作者提出了一個新任務——Web Traversal，旨在給定與查詢相關的初始網站，系統地遍歷網頁以揭露隱藏在其中的信息。

2?? WebWalkerQA和WebWalker：

• [Dataset] WebWalkerQA：根據網站的URL樹，通過四個階段，構建單源/多源的easy、medium、hard難度的QA對，涵蓋四種常見官網來源及中英兩種語言。

• [Method] WebWalker：采用多代理框架，由一個探測代理（explorer agent）和一個裁判代理（critic agent）組成。探測代理基于ReAct，遵循思考-行動-觀察范式，模擬人在網頁中點擊按鈕跳轉頁面的過程；裁判代理則負責存儲搜索過程中的信息，在探測代理點擊的過程中，保存對查詢有幫助的信息，并判斷何時能夠停止探測代理的探索。

3?? 實驗：

• Table3展示了不同模型作為backbone，WebWalkerQA使用不同方法的代理性能結果。可以發現即使是最好的模型gpt-4o在這個任務也表現較差，任務中可能涉及到多跳推理和對文本的推理的能力。

• Table4顯示了在close book和目前較好的開源及商用RAG系統上的性能。在close book 設置下正確率只有10%，因為WebwalkerQA具有高時效性，而LLM具有知識的cutoff，這與第一個limitation呼應。在源及商用RAG系統上，最好的效果也只有40，驗證了第二個limitation，傳統搜索引擎可能會檢索淺層內容，即使很多閉源的RAG系統使用了query改寫或者agentic的操作，但是還是沒有一步到位定位到的需要的web information source。

• 還包括一系列分析實驗，如下：

值得注意的是，webwalker中的memory對于回答query是非常重要的。如果rag鏈路中的搜索引擎可以當作對query進行橫向搜索，webwalker是對頁面的縱向深度探索，這是完全可以互補的。

因此可以把webwalker中的memory拼接到rag鏈路上，這種橫向和縱向整合表現出色，在所有類別和難度的數據集上效果均有提升，證明了垂直探索頁面對于提升RAG性能的潛力。這是對RAG二維探索的首次嘗試！

此外，對webwalker 的挖掘點擊次數進行scale up，看是否能得到更好的、更多的memory信息，隨著挖掘點擊次數的增大，不僅在webwalker上有較大提升，把memory加入到rag系統之后，性能也隨之提升。這給rag系統進行test-time的拓展提供了新的角度。

?? WebWalker的設計讓人聯想到pair programming（對編程），即兩人協作，一個寫代碼，一個檢查bug。探測代理和裁判代理的功能其實類似于這種協作。

?? 文章最后提出了三項發現，首次提出了RAG二維探索的scaling潛力，探討如何更“聰明”地進行橫向和垂直兩個方向的探索（test-time compute）。

作者介紹：本文主要作者來自通義實驗室和東南大學。 

通訊作者是通義實驗室蔣勇和東南大學周德宇。 

第一作者吳家隆，東南大學碩士二年級，主要研究方向是Agent和Efficient NLP，該工作在阿里巴巴通義實驗室RAG團隊科研實習完成

本文轉載自 ??NLP前沿??，作者： ??NLP前沿??