智能体搜索行为首次被大规模“解剖”：CMU开源1400万条真实日志揭示AI如何“思考式”检索
当AI不再只是被动回答问题，而是主动发起多轮检索、阅读文档、改写查询并生成综合结论时，我们正进入一个由“智能体”主导的信息获取新时代。然而，尽管这类Agentic Search系统在Deep Research、自动报告生成等场景中表现亮眼，其背后的行为机制却长期处于“黑箱”状态——人们知道它“做了什么”，却不清楚它“怎么做的”。
真实世界中的AI搜索：从性能评测到行为观察的范式转移
现有的大多数评估体系仍停留在对最终答案准确性的打分上，依赖人工构造的基准题目，忽视了智能体在真实交互中的动态决策过程。一个关键问题是：在多轮搜索中，AI是否真正理解并利用了已检索到的信息？它如何决定下一步该问什么？这些问题的答案，直接影响着系统的效率、可信度与用户体验。
CMU团队的研究正是对此空白的直接回应。他们基于DeepResearchGym平台——一个为研究设计的统一检索后端，挂载在ClueWeb22、FineWeb等固定语料快照上——收集并清洗了来自全球25个国家、近600个IP地址的半年真实请求日志。最终发布的1400万条请求、400万个会话，构成了迄今为止最大规模、最贴近实际使用的Agentic Search行为数据集。
会话切分：破解AI高频迭代的“时间谜题”
与传统人类搜索日志不同，智能体的请求往往以秒级间隔连续发出，且可能并发多个会话。简单依赖时间阈值（如30分钟无活动即断开会话）极易造成误判。为此，研究团队设计了一种“语义+时间”联合的会话切分策略：先用LLM标注相邻请求是否属于同一会话，训练连续性判别模型，再在线计算新查询与活跃会话末尾查询的语义相似度与时间差，动态决定并入或新建会话。这一方法有效捕捉了AI“高频、小步迭代”的典型行为特征。
三层框架：解码智能体的“搜索思维”
研究的核心贡献在于提出了一个结构化的分析框架，从两个层面解构搜索行为：
- 会话意图（Session Intent）：将任务划分为三类——陈述型（Declarative，如“什么是量子纠缠”）、过程型（Procedural，如“如何配置Kubernetes集群”）和推理型（Reasoning，如“比较Transformer与RNN的优劣”）。分析发现，不同意图下的搜索路径差异显著。
- 轨迹动作（Trajectory Move）：定义了四种相邻查询间的改写模式——专化（ narrowing scope）、泛化（broadening）、探索（shifting topic）和重复（rephrasing）。数据显示，智能体在事实型任务中频繁出现“重试循环”，而在复杂推理任务中更倾向于逐步下钻。
- 检索信息采纳率（CTAR）：首创指标衡量后续查询是否真正引入前序检索文档中的关键词。结果表明，专化与探索类动作的CTAR显著高于重复，说明智能体并非机械改写，而是有选择地吸收外部信息。
行业启示：从“能不能答对”到“会不会搜索”
这项研究最大的价值，在于将评估焦点从“结果正确性”转向“过程合理性”。过去我们训练智能体关注“生成答案”，而未来必须重视“搜索策略”本身。例如，频繁重试可能暴露模型对不确定性的处理缺陷；低CTAR则暗示信息整合能力不足。这些行为信号，为模型优化、工具调用设计乃至用户提示工程提供了全新维度。
更进一步看，该数据集的开源意味着研究者终于可以在真实流量基础上复现、对比不同Agent架构的搜索效率与鲁棒性。无论是提升检索预算分配、优化查询改写策略，还是构建更智能的会话记忆机制，都有了坚实的数据支撑。
未来展望：行为建模将成为Agent训练的新 frontier
随着Agentic Search从实验走向规模化应用，对其行为的精细化建模将成为核心竞争力。CMU的工作不仅提供了“显微镜”，更指明了方向：未来的智能体训练不应仅依赖最终答案的监督信号，而应引入轨迹层面的强化学习奖励，比如对高CTAR路径给予正向反馈。同时，系统设计者也需考虑如何向用户透明化展示搜索路径，增强可解释性与信任感。
当AI开始像人类专家一样“思考式”检索，我们终于有机会看清它思维的脉络。而这，或许才是通往真正智能的关键一步。