搜索树逆向工程：从 Deep Research 行为模式构建多文档推理中训练数据
Deep Research 是 2026 年最热的 Agent 能力方向，但训练数据极度匮乏。本提案从 InfoSeek 的 Research Tree 思路出发，提出一套更适合中训练阶段的搜索轨迹数据合成方法——不模拟搜索行为，而是从已有的高质量长文中逆向拆解搜索过程。
触发动机
这个想法起于两条线索的交叉。线索一：站内持续追踪 Deep Research 产品的竞争（OpenAI、Google、Perplexity），发现它们的搜索能力已经相当成熟，但输出质量的差距主要在”读完 50 篇网页后怎么整合”——这是一个纯粹的多文档推理问题，也就是数据问题。线索二：InfoSeek 的 Research Tree 工作提出了用树状结构描述搜索过程的方法论，但它是正向模拟搜索行为来生成数据。我突然意识到可以反过来——已有的高质量综述论文本身就是”搜索结果的最终产物”，从综述逆向拆解搜索过程，比正向模拟搜索行为更高效、更接近真实。
战略判断：为什么这是最值得做的方向之一
竞争格局
Deep Research 是 2026 年各家模型厂商的核心竞技场：
- OpenAI Deep Research（2025.02 发布）：BrowseComp 上仅 51.5%，仍有巨大提升空间
- Google Gemini Deep Research：集成 Google Search 生态，搜索质量领先
- Perplexity Pro Search：首个大规模商业化的 Deep Research 产品
- 开源方面：SimpleDeepSearcher（RUC）、Search-o1、R1-Searcher 等快速涌现
关键洞察：Deep Research 的能力瓶颈不在搜索本身（搜索引擎是现成的），而在于多文档推理——读了 50 篇网页后，怎么提炼、交叉验证、结构化输出。这是一个纯粹的数据问题。
现有数据方案的局限
InfoSeek（arXiv:2509.00375，ICLR 2026 接收）提出了目前最系统的 Deep Research 数据合成方案：用双 Agent 从网页递归构建 Research Tree，再转化为 QA 对。但它有两个根本问题：
- 信息驱动 vs 需求驱动：InfoSeek 先收集网页，再编造问题。真实的 Deep Research 是先有问题，再去搜索。这导致合成的数据缺乏”搜索策略”维度。
- 只有 QA 对，没有过程：最终产出是 (question, answer) 对。搜索过程——先搜什么、发现矛盾怎么处理、信息不足时怎么调整搜索策略——全部丢失。而这正是中训练需要的推理链。
重要性评估
- 市场需求最大：Deep Research 是面向所有用户的功能，不是小众的 STEM 或代码
- 竞争窗口存在：目前没有公开的高质量 Deep Research 过程数据集
- 与长文能力正交互补：站内已有长文本数据构建体系，Deep Research 数据可以复用长文能力
核心洞察
真实世界有大量”搜索的结果”但没有”搜索的过程”。综述论文、深度报告、调查性新闻——这些都是 Deep Research 的最终产物。如果我们能从这些最终产物逆向拆解出搜索过程，就能大规模合成”搜索过程 + 最终输出”的配对数据。
这跟站内已有的”综述反向构建”提案思路一致，但本提案更进一步：不只是拆解综述的写作过程，而是拆解信息获取过程——综述里引用了 30 篇论文，这 30 篇的搜索顺序是什么？作者为什么先看 A 再看 B？中间有没有走过弯路？
方法论
搜索树逆向拆解
输入：一篇高质量的综述/报告/深度分析（带参考文献列表）
Step 1：参考文献图谱构建
从参考文献列表构建引用关系图：
- A 引用了 B → A 可能是从 B 出发找到的
- A 和 B 被同一段引用 → 它们回答同一个子问题
- 引用位置在文章中的顺序 ≈ 信息获取的逻辑顺序
Step 2：子问题分解
综述文章天然有结构化的章节标题。每个章节对应一个子问题，章节内引用的论文就是回答这个子问题所需的信息源。
原始综述结构：
├── §1 Introduction → 定义问题 (3 refs)
├── §2 Background → 需要了解什么 (5 refs)
├── §3 Method A → 第一类方法 (8 refs)
├── §4 Method B → 第二类方法 (6 refs)
├── §5 Comparison → 交叉对比 (12 refs)
└── §6 Future → 未来方向 (4 refs)
逆向推导的搜索树：
├── Q: "这个领域有哪些主流方法？"
│ ├── Search: "领域名 + survey"
│ ├── Found: §2 的 5 篇 background paper
│ ├── Sub-Q: "Method A 有哪些变体？"
│ │ ├── Search: "Method A + variants + benchmark"
│ │ └── Found: §3 的 8 篇
│ └── Sub-Q: "Method B 相比 A 优势在哪？"
│ ├── Search: "Method A vs Method B"
│ └── Found: §5 的对比论文Step 3：搜索策略轨迹合成
对每个子问题，合成一条搜索轨迹：
- 初始查询：从子问题生成搜索关键词
- 结果评估：看到搜索结果后决定读哪些
- 信息提取：从选中文档提取关键信息
- 查询调整：信息不足时如何修改搜索词
- 交叉验证：不同来源说法冲突时怎么处理
关键：步骤 4 和 5 是最有训练价值的部分——模型需要学会”我现在知道什么、还缺什么、下一步搜什么”。
数据格式
<task>
写一篇关于 [主题] 的深度调研报告
</task>
<search_trajectory>
[Step 1] Query: "主题 + overview"
[Step 1] Results: [title1, snippet1], [title2, snippet2], ...
[Step 1] Decision: 打开 result_1 和 result_3（snippet 相关度更高）
[Step 1] Extract: "发现两个主要方向: A 和 B。A 更成熟，B 是新兴方向。"
[Step 1] Reflection: "需要分别深入了解 A 和 B，先从 A 开始因为文献更多。"
[Step 2] Query: "方向A + benchmark + 2025 2026"
[Step 2] Results: ...
[Step 2] Decision: ...
[Step 2] Extract: ...
[Step 2] Reflection: "发现 A 方向有 3 个主流方法。但 result_2 和 result_4 的数据有矛盾，需要找原始论文核实。"
[Step 3] Query: "方向A method1 原始论文 arXiv"
...（验证性搜索）
</search_trajectory>
<final_output>
[结构化的调研报告，每段标注信息来源]
</final_output>数据源
| 来源 | 规模 | 质量 |
|---|---|---|
| arXiv Survey 论文 | ~5K 篇/年（cs.*） | 高——有完整参考文献 |
| Annual Review 综述 | ~2K 篇 | 极高——领域权威 |
| Distill.pub / LilLog 等技术博客 | ~500 篇 | 高——结构清晰 |
| 维基百科 Featured Articles | ~6K 篇 | 中高——有详细脚注 |
| 调查性新闻报道 | ~10K 篇 | 中——引用较松散 |
质量控制
- 参考文献可达性：逆向推导的搜索查询，用真实搜索引擎跑一次，检查目标论文是否出现在前 10 结果中。如果不出现，说明搜索路径不合理。
- 信息覆盖完整性：合成的搜索轨迹提取的信息，能否覆盖最终报告中 90% 的关键事实。
- 决策合理性：在每个分支点，Agent 的选择是否是最高效的（不需要最优，但不能明显低效）。
规模估算
- 输入：10K 篇高质量综述/报告
- 逆向拆解后：~50K 条搜索子轨迹（平均每篇拆出 5 个子问题）
- 合成完整轨迹后：~10K 条完整 Deep Research 轨迹 / ~500M tokens
- 质量过滤后（60% 通过率）：~6K 条 / ~300M tokens
与已有方案的关系
- 综述反向构建（站内已有）：聚焦写作过程，本提案聚焦信息获取过程，两者互补
- InfoSeek（ICLR 2026）：信息驱动→QA 对，本提案需求驱动→完整搜索轨迹，更适合中训练
- SimpleDeepSearcher（RUC）：模拟真实搜索行为生成数据，但受限于搜索引擎的实时调用成本。本提案从已有的高质量文档逆向生成，不依赖实时搜索
落地路径
- Week 1：从 arXiv cs.CL/LG 抓取 1000 篇 2024-2026 Survey 论文 + 参考文献列表
- Week 2：实现参考文献图谱构建 + 子问题分解 pipeline
- Week 3：实现搜索轨迹合成器（LLM-based），生成首批 500 条完整轨迹
- Week 4：质量检查——用真实搜索引擎验证搜索路径可达性
- Week 5-6：扩展到 5K 篇综述，产出 3K+ 条高质量搜索轨迹