Flash-Searcher：Web Agent的并行革命
团队投稿 深度学习自然语言处理2025年10月21日 13:26江苏
论文：https://www.arxiv.org/abs/2509.25301
代码：https://github.com/OPPO-PersonalAI/Flash-Searcher
一、为什么我们要做 Flash-Searcher？
当下的 Web 智能体（Agent）在解决复杂研究任务时，大多沿用传统的顺序执行链（Sequential Chain）：每个子任务依次调用检索、解析、总结等工具。这种方式虽然直观，但在复杂场景中存在两个根本性问题：
执行效率低：每一步都必须等待上一步完成，冗余时间极高；
信息利用率低：各个子任务之间无法并行，工具调用缺乏依赖建模；
尤其是在多工具、多阶段任务（如 Deep Research）中，串行执行会造成指数级延迟，甚至数十步以上的交互才能完成一次查询。于是我们提出了Flash-Searcher：一个以DAG（有向无环图）并行执行机制为核心的全新 Agent 框架，通过结构化并行与动态调度，让智能体可以像多线程程序一样同时思考、同时执行。
二、方法概览：从顺序链到 DAG 并行
Flash-Searcher 将任务从单一的线性链拆分为多组具备依赖关系的子任务节点，用类似 DAG 结构来描述任务之间的约束。当DAG关系确定时，Flash-Searcher在单次推理中并行调度所有的分支，同步运行，同时在存在依赖的关系的节点时，通过不同的分支执行情况交叉验证，以显著提高任务成功率。
这一机制使得智能体在保持逻辑一致性的前提下，显著提升执行吞吐与速度。此外，我们引入了两项关键机制：
动态执行流优化（Dynamic Workflow Optimization）： 系统会根据中间结果动态更新 DAG 结构，更新已完成节点、重估依赖、按需细化新子任务。 这让智能体能持续优化自己的执行计划，而非被固定链条束缚。
任务进展总结与信息共享（Summarization & Knowledge Sharing）： 定期对任务执行情况进行总结，更新和分析当前执行进展；同时通过进展总结可通过对话截断实现上下文长度扩展，保证已有知识和任务执行情况共享，进一步提高任务解决成功率。
三、核心算法结构
四、实验设置与评测基准
我们在四个高难度的检索-推理基准上系统验证了 Flash-Searcher 的性能：
工具配置上，Flash-Searcher 使用轻量级的 Search（Serper）+ Crawl（Jina Reader）双工具体系，并以同一模型执行自动化总结，从而在并行场景下保持一致的语义表示。所有任务均通过 GPT-4.1-mini 作为评判器（LLM-as-Judge），以Pass@1指标计算准确率，同时记录执行步数与总时延。
五、核心结果：性能 × 效率双突破
Flash-Searcher 在所有主要基准上均刷新或逼近现有最优水平：
此外，Flash-Searcher 平均减少35% 的执行步骤（例如 11.2 → 7.4），在相同硬件条件下整体时延降低约 65%。
这意味着 Flash-Searcher 不仅“更快”，而且“更聪明地并行思考”。
六、从框架到模型：并行推理的蒸馏（Distillation）
在框架层验证之后，我们进一步将并行执行轨迹蒸馏到单模型中。通过轻量级监督微调（无需强化学习或复杂工具调用），即便是 Qwen-2.5-32B 这样的开源骨干模型，也能显著提升：
xBench-DeepSearch：提升至68.0（比 WebDancer 高 +29.3）
模型从 32B 扩展到 72B 时，性能仍稳定上升
说明“并行推理”是一种可学习的结构性偏置，可迁移到不同架构与规模的模型中
七、与现有工作的区别
相比多智能体系统（MAS）：Flash-Searcher 在单框架中实现角色分工与并行调度， 避免多 Agent 间冗余通信导致的串行化开销。
相比工具集成推理（TIR）：我们先以 DAG 明确结构依赖，再通过蒸馏将并行策略迁移进单模型， 在通用性与可解释性之间取得更好平衡。
九、结论与展望
Flash-Searcher 通过DAG 并行执行 + 动态优化 + 信息共享，为 Web 智能体提供了一个更高效、更可扩展的执行范式。
在 BrowseComp、xBench、GAIA、HLE 等基准上全面领先；
平均减少 35% 步数、时延下降 65%；
并行推理可迁移、可蒸馏，为高效智能体提供结构归纳偏置。
我们认为，这一范式将成为下一代 Web Agent 的底层执行标准。
十、开源与资源
我们已将论文发布在 arXiv（https://arxiv.org/abs/2509.25301）
代码也已经开源：https://github.com/OPPO-PersonalAI/Flash-Searcher
后续也将陆续开源并行轨迹数据集
💬 互动区常见问题
Q1：并行执行会不会牺牲正确性？
不会。Flash-Searcher 的依赖建模与动态重整机制保证逻辑一致性，通过获取更多的知识实现交叉验证的效果，实际准确率反而更高。
Q2：能在已有链式 Agent 上复用吗？
可以。只需把“计划-执行-校验”映射为 DAG 节点与依赖关系，并行化推动任务进展即可。
Q3：与 Kimi DeepResearch / OpenAI DeepResearch 的关系？
在 BrowseComp、xBench 上，Flash-Searcher 的性能已与后者相当甚至略优，但实现方式完全开放、结构可解释、易于迁移到开源生态。
