LLM智能体在深度研究中依赖黑盒搜索，但现有文本排序方法的效果不明确，制约了性能优化。一项研究系统性评估了多种排序方法，并提出Q2Q技术，将搜索查询转化为自然问题，显著缓解了查询不匹配，为提升RAG智能体的研究效率提供了新思路和实践依据。
智能速览
当前LLM智能体的文本排序方法在深度研究中缺乏透明度和系统性评估。
提出的Q2Q方法能有效转化搜索查询，缓解查询不匹配问题。
研究发现BM25和学习型稀疏检索器在特定查询风格下表现优越。
实验涵盖5种检索器、3种重排序器及多种配置，评估全面。
精华内容
深入研究任务对LLM智能体的信息检索能力提出了更高要求。如何优化排序策略以适应复杂查询？这项研究通过严谨的实验，揭示了关键的技术路径与性能边界。
研究背景
随着LLM智能体在深度研究任务中的普及，其核心依赖的黑盒搜索API缺乏透明度。这导致现有的文本排序方法在该场景下的具体表现和最佳实践尚不明确，成为系统性优化的一大瓶颈。研究团队正是为了填补这一空白，旨在为深度研究环境下的信息检索提供明确的指导。
Q2Q方法
针对查询不匹配这一核心痛点，研究提出了Q2Q方法。该方法能够将智能体发出的、通常较为简短或不自然的网络搜索查询，自动转化为符合MS MARCO数据集风格的、更自然的完整问题。这种转化显著提升了查询与文档内容之间的语义相关性，为后续的检索排序环节奠定了良好基础。
实验结论
研究在BrowseComp-Plus数据集上进行了严谨测试。实验对比了BM25、SPLADE-v3等5种主流检索器和3种重排序器。结果证实，BM25及SPLADE-v3这类学习型稀疏检索器在处理转化后的查询时展现出优越性。此外，研究还评估了不同检索深度与全文档阅读器对最终效果的影响，为实际应用提供了具体配置参考。
该研究为深度研究中的文本排序提供了宝贵的实证数据和方法创新，特别是Q2Q方法为解决查询不匹配问题提供了有效路径。未来，随着智能体能力的进一步发展，如何将排序模型更深度地与推理过程融合，或将成为新的突破点？
