Search Agents: архитектура многоходового поиска с LLM

КОНТЕКСТ: Вопрос пользователя q + контекст C

ШАГ 1: Планирование
π₀ = Plan(q, C) → Стратегия поиска

ШАГ 2: Итеративный цикл (для каждого шага t)
├─ Рефлексия: πₜ₊₁ = Reflect(oₜ, hₜ, πₜ) 
│ [оценка текущих результатов + история → обновление плана]
│
├─ Действие: aₜ₊₁ = Act(πₜ₊₁) 
│ [выполнение поиска или браузинга]
│
└─ Наблюдение: oₜ = результат действия
 [новая информация из поиска]

ШАГ 3: Остановка
Цикл продолжается до накопления достаточной информации → O = {o₁, o₂, ..., oₜ}

ШАГ 4: Синтез
E = Select(q, O) → отбор релевантных фактов
ŷ = Generate(q, E) → финальный ответ

Три архитектуры:

ПАРАЛЛЕЛЬНАЯ — все подзапросы генерируются сразу

Вопрос → [Подзапрос 1, Подзапрос 2, ..., Подзапрос N] → Поиск параллельно → Синтез

ПОСЛЕДОВАТЕЛЬНАЯ — каждый следующий запрос зависит от предыдущих результатов

Вопрос → Поиск 1 → Рефлексия → Поиск 2 → Рефлексия → ... → Финальный ответ

ГИБРИДНАЯ — древовидная или графовая структура с ветвлением

Вопрос → [Путь A → Подпути A1, A2, ...; Путь B → Подпути B1, B2, ...] → Синтез лучшего пути

⚠️ Ограничение метода: Параллельный поиск хорош для заранее известных аспектов вопроса. Не подходит для исследований, где направление поиска зависит от промежуточных находок.

Задача: Анализ ситуации с ИИ-регуляциями в России — нужно понять позиции регуляторов, бизнеса и экспертного сообщества одновременно.

Промпт:

Мне нужно исследовать текущее состояние ИИ-регуляций в России. 
Разбей этот вопрос на 3-4 независимых подзапроса, которые покрывают разные углы:
- позиция государства и регуляторов
- мнение бизнеса и стартапов
- экспертная оценка
- зарубежный контекст для сравнения

Для каждого подзапроса сформулируй конкретный поисковый запрос.
Затем найди информацию по каждому запросу параллельно и синтезируй общую картину.

Результат:

Модель выдаст 3-4 подзапроса вида "позиция Минцифры по ИИ 2024", "как российский бизнес относится к ИИ-регуляциям", "мнение экспертов про закон об ИИ". Затем поочерёдно выполнит web search по каждому, соберёт факты и синтезирует структурированный обзор с разбивкой по аспектам. Вы получите не просто список ссылок, а готовую аналитику по каждому углу вопроса.

⚠️ Ограничение метода: Последовательный поиск требует больше токенов и времени. Не подходит для простых фактических вопросов, где ответ находится с первой попытки.

Задача: Выбор стратегии выхода стартапа на рынок РФ — неясно с чего начать, направление зависит от того, что найдём про конкурентов и барьеры входа.

Промпт:

Помоги мне исследовать стратегию выхода [название стартапа] на российский рынок. 

Используй итеративный подход:
1. Начни с общего поиска про рынок и конкурентов
2. После каждого поиска:
 - Оцени: достаточно ли информации для принятия решения?
 - Если нет — сформулируй следующий уточняющий запрос на основе найденного
 - Если да — переходи к синтезу
3. Продолжай до 5-7 итераций или пока не соберёшь полную картину

На каждом шаге явно пиши: "Что нашёл", "Что ещё неясно", "Следующий запрос".

Результат:

Модель начнёт с широкого запроса, например "российский рынок [ниша] 2024". После первого поиска она увидит, что есть 3 крупных игрока, и сформулирует второй запрос: "стратегии [конкурент 1] и [конкурент 2] в России". Затем, обнаружив барьер входа (например, необходимость локализации), сделает третий запрос про требования к локализации. На каждом шаге модель явно рефлексирует — вы увидите её мышление, а не только финальный ответ. Через 4-6 итераций вы получите многослойный анализ с конкретными action items.

⚠️ Ограничение метода: Древовидный поиск — самый токено-затратный. Используй для сложных исследований, где одна ветка может оказаться тупиковой и нужно вернуться к развилке.

Задача: Разработка маркетинговой стратегии для запуска нового продукта — много неизвестных, нужно одновременно исследовать несколько гипотез.

Промпт:

Исследуй стратегию запуска [продукт] на рынок через древовидный поиск:

Корень дерева: Общий вопрос — как запускать [продукт]?

На каждом уровне:
1. Генерируй 2-3 альтернативных направления исследования
2. Исследуй каждое направление параллельно (как отдельную ветку)
3. Оценивай каждую ветку: "перспективная" / "тупиковая" / "требует углубления"
4. Для перспективных веток — создавай подветки со следующими вопросами

Структура:
Корень: Как запускать [продукт]?
├─ Ветка A: Анализ конкурентов
│ ├─ A1: Прямые конкуренты в РФ
│ └─ A2: Зарубежные аналоги
├─ Ветка B: Каналы продвижения
│ ├─ B1: Performance-маркетинг
│ └─ B2: Контент и SMM
└─ Ветка C: Ценообразование
 ├─ C1: Бенчмарк цен в нише
 └─ C2: Готовность платить у ЦА

Проведи 3 уровня углубления, затем синтезируй выводы из всех веток.

Результат:

Модель построит дерево исследования с параллельными ветками. По каждой ветке выполнит web search, оценит перспективность (например, "Ветка A1 показала 5 сильных конкурентов — углубляем", "Ветка B2 не дала конкретики — откладываем"). На втором уровне создаст подветки для перспективных направлений. В конце выдаст синтез: какие стратегии отсеялись, какие выглядят рабочими, где пробелы в информации. Вы получите не линейный отчёт, а многомерный анализ с отброшенными гипотезами — это и есть ценность древовидного подхода.

LLM без явной структуры делает одношаговый статичный поиск — формулирует запрос, получает результаты, генерирует ответ. Проблема: (1) не видит, какие аспекты вопроса покрыты, а какие пропущены, (2) не может динамично корректировать стратегию на основе найденного, (3) не умеет возвращаться к предыдущим развилкам, если текущий путь тупиковый. Результат — поверхностные ответы, пропущенные важные аспекты, зацикливание на первых найденных фактах.

Пример: Вопрос "как выбрать CRM для малого бизнеса?" → LLM делает один поиск "лучшие CRM 2024" → выдаёт топ-5 из первой статьи → пропускает критерии выбора, цены, отзывы российских пользователей, интеграции с 1С. Ответ формально правильный, но не покрывает реальную задачу.

LLM отлично справляется с метакогнитивными задачами — планированием, рефлексией, оценкой достаточности информации — если дать ей явную структуру для рассуждения. Она может: (1) разбить сложный вопрос на подзадачи (decomposition), (2) оценить результаты предыдущего шага и скорректировать план (reflection), (3) сгенерировать новые запросы на основе пробелов в текущих данных (adaptive planning).

Search Agents переводят хаотичный поиск в структурированный процесс с явными фазами:

1. Параллельная декомпозиция использует способность LLM к систематизации — вместо одного запроса модель генерирует набор независимых подзапросов, покрывающих разные аспекты. Это гарантирует полноту охвата, но требует заранее понимать структуру вопроса.

2. Последовательная рефлексия задействует метакогнитивные способности — после каждого поиска модель явно оценивает: "Что узнал? Что ещё неясно? Куда копать дальше?". Это цикл наблюдение → рефлексия → планирование → действие — паттерн из когнитивной психологии, адаптированный для LLM.

3. Гибридное ветвление комбинирует оба принципа — параллельное исследование альтернатив (как в beam search) + возможность возврата к развилкам (как в MCTS — Monte Carlo Tree Search). Это исследование пространства решений, а не линейный поиск.

Параметры глубины:

• Число итераций (для последовательного) → 3-5 для quick research, 7-10 для deep dive
• Ширина дерева (для гибридного) → 2-3 ветки = фокус, 4-5 веток = широкий охват
• Уровни углубления → 2 уровня = обзорно, 3+ уровня = экспертный анализ

Условия остановки:

• Для последовательного: "Достаточно информации для решения" (субъективно) vs "5 итераций исчерпаны" (жёстко)
• Для древовидного: "Все ветки оценены" vs "бюджет токенов израсходован"

Критерии оценки веток:

• Бинарные: "перспективная" / "тупиковая"
• Количественные: "релевантность 1-10" → отсекать ветки <5
• Качественные: "требует углубления" / "достаточно фактов"

Явность рассуждений:

• Убери "Явно пиши на каждом шаге" → модель сразу выдаст финальный ответ (быстрее, но ты не видишь логику)
• Добавь "Объясни почему выбрал это направление" → получишь обоснование каждого решения (медленнее, но прозрачнее)

Мне нужно исследовать: {вопрос}

Используй параллельный подход:
1. Разбей вопрос на {N=3-5} независимых подвопросов, покрывающих разные аспекты
2. Для каждого подвопроса сформулируй конкретный поисковый запрос
3. Выполни поиск по всем запросам
4. Синтезируй единый ответ, объединяющий все аспекты

Структура ответа:
- Подвопросы: [список]
- Поисковые запросы: [список]
- Результаты по каждому аспекту: [краткие выводы]
- Общий синтез: [итоговый ответ]

Плейсхолдеры:

• {вопрос} — твоя исследовательская задача
• {N} — число подвопросов (3-5 для баланса полноты и скорости)

Исследуй: {вопрос}

Используй итеративный подход:

Шаг 1: Начни с общего поиска про {начальная_область}
Шаг 2-N: После каждого поиска выполни рефлексию:
 - Что узнал: [краткое резюме находок]
 - Что осталось неясным: [пробелы в информации]
 - Следующий вопрос: [уточняющий запрос на основе найденного]
 - Действие: [выполнить поиск ИЛИ остановиться]

Критерий остановки: {условие_остановки}

Максимум {max_iterations=5-7} итераций.

Финальный синтез: Структурированный ответ с отсылками к каждой итерации.

Плейсхолдеры:

• {вопрос} — исследовательская задача
• {начальная_область} — с чего начать (например, "общий обзор рынка")
• {условие_остановки} — "достаточно информации для принятия решения" ИЛИ "покрыты все аспекты {список_аспектов}"
• {max_iterations} — лимит итераций (5-7 для баланса)

Исследуй: {вопрос}

Используй древовидный подход:

КОРЕНЬ: {вопрос}

УРОВЕНЬ 1: Сгенерируй {N_branches=2-3} альтернативных направления исследования
Для каждого направления:
- Формулируй подвопрос
- Выполни поиск
- Оценка: "перспективная" / "тупиковая" / "требует углубления"

УРОВЕНЬ 2-N: Для перспективных веток:
- Создай {M_subbranches=2-3} подветки
- Исследуй каждую подветку
- Оценивай и углубляй

Критерии оценки веток:
- Релевантность найденной информации: {критерий_релевантности}
- Практическая ценность: {критерий_ценности}

Максимум {max_depth=3} уровней углубления.

СИНТЕЗ:
- Карта дерева: [структура всех исследованных веток]
- Перспективные направления: [какие ветки дали ценные результаты]
- Тупиковые ветки: [что не сработало и почему]
- Итоговый ответ: [синтез лучших находок]

Плейсхолдеры:

• {вопрос} — корневой вопрос
• {N_branches} — ширина дерева на уровне 1 (2-3 для фокуса, 4-5 для широкого охвата)
• {M_subbranches} — ширина подуровней (обычно меньше, чем N)
• {max_depth} — глубина дерева (2-3 уровня оптимально)
• {критерий_релевантности}, {критерий_ценности} — как оценивать ветки (например, "есть конкретные цифры и кейсы" vs "только общие рассуждения")

🚀 Быстрый старт — вставь в чат:

Вот 3 шаблона для многоходового исследования с поиском. Адаптируй под мою задачу: {твоя задача}.
Спроси у меня, какой подход лучше подходит (параллельный / последовательный / древовидный), и заполни нужный шаблон.

[вставить все 3 шаблона выше]

LLM спросит: (1) суть твоей задачи, (2) известны ли заранее все аспекты (для параллельного) или нужно углубляться по ходу (для последовательного), (3) есть ли альтернативные гипотезы, которые нужно исследовать параллельно (для древовидного). Она возьмёт структуру из шаблона и адаптирует под твой вопрос — заполнит плейсхолдеры, подберёт параметры (число веток, глубину), сформулирует критерии оценки.

⚠️ Токено-затратность: Последовательные и особенно гибридные структуры требуют в разы больше токенов, чем простой запрос. Параллельная декомпозиция = 3-5x токенов, последовательное углубление = 5-10x, древовидный поиск = 10-20x. Для простых фактических вопросов это избыточно — используй обычный web search.

⚠️ Время выполнения: Каждая итерация поиска = новый API-запрос. Последовательный поиск с 7 итерациями может занимать несколько минут. Для срочных задач это критично.

⚠️ Качество зависит от промежуточных результатов: Если на первой итерации web search выдал нерелевантные результаты, последующие итерации могут уйти в сторону. Последовательный поиск накапливает ошибки — плохой первый шаг → плохое направление далее.

⚠️ Требует чётких критериев остановки: Без явного условия "когда достаточно" модель может зациклиться или остановиться слишком рано. Нужно либо задать жёсткий лимит итераций, либо сформулировать критерий достаточности информации.

⚠️ Не для всех типов вопросов: Параллельная декомпозиция работает только если вопрос логически разбивается на независимые аспекты. Для вопросов типа "что такое X?" или "когда произошло Y?" это бессмысленное усложнение.

Исследователи из Shanghai Jiao Tong University и Central South University провели систематический обзор (survey) литературы о Search Agents. Команда проанализировала более 200 работ с 2022 по 2025 год, охватывая академические статьи и коммерческие решения (OpenAI Deep Research, Gemini, Perplexity).

Структура анализа: (1) Архитектурные паттерны — классификация структур поиска (параллельная/последовательная/гибридная) на основе 80+ методов, (2) Методы оптимизации — сравнение tuning-free (промпты, мульти-агент, test-time scaling) vs tuning-based (SFT, RL) подходов, (3) Применения — картирование использования в 10+ доменах (медицина, финансы, код, e-commerce), (4) Методы оценки — анализ 30+ датасетов и метрик.

Почему выводы такие: Исследователи обнаружили чёткий тренд — ранние работы (2022-2023) использовали параллельную декомпозицию с rule-based логикой, потому что это проще имплементировать. С 2024 года фокус сместился на последовательные и гибридные структуры — они сложнее, но эффективнее для неопределённых задач. Параллельная декомпозиция стала начальной стадией перед углублением.

Что удивило: Коммерческие системы (OpenAI DR, Gemini DR) не раскрывают детали своих алгоритмов, но исследователи через реверс-инжиниринг вывели, что они используют гибридные структуры с RL-оптимизацией. Академические работы отстают — большинство всё ещё на уровне промптов и SFT.

Инсайт для практики: Для обычного пользователя чата (без доступа к RL) последовательная структура с явной рефлексией даёт 80% эффективности коммерческих систем при 20% сложности. Гибридные структуры эффективнее, но требуют значительно больше токенов — их стоит использовать только для по-настоящему сложных исследований.

Необязательно выбирать одну структуру. Можно комбинировать на разных этапах:

Фаза 1 (исследование): Параллельная декомпозиция → быстро охватить все аспекты

Фаза 2 (углубление): Последовательное углубление → докопаться до деталей по самому важному аспекту

Фаза 3 (проверка): Древовидный поиск → исследовать альтернативные гипотезы

Исследуй {вопрос} в 3 фазы:

ФАЗА 1 (Охват): Параллельная декомпозиция
- Разбей на 3-4 аспекта
- Быстрый поиск по каждому аспекту
- Определи: какой аспект самый важный / неясный?

ФАЗА 2 (Углубление): Последовательный поиск
- Возьми самый важный аспект из Фазы 1
- Итеративно углубляйся (3-5 итераций)
- Соберай детали, кейсы, цифры

ФАЗА 3 (Проверка): Древовидный поиск (опционально)
- Если есть альтернативные подходы — исследуй параллельно
- Выбери лучший на основе критериев {критерии}

Синтез: Объедини результаты всех фаз

Search Agents в статье применяются к QA и fact-checking, но паттерны полностью переносятся на бизнес-контекст:

Competitive Intelligence:

Проанализируй конкурентов {название_ниши} через древовидный поиск:

Корень: Кто основные игроки и как конкурируют?
├─ Ветка A: Прямые конкуренты в РФ
│ ├─ A1: Их продукты и ценообразование
│ ├─ A2: Маркетинговые стратегии
│ └─ A3: Финансовые показатели (если публичны)
├─ Ветка B: Косвенные конкуренты / substitute products
│ ├─ B1: Какие альтернативы выбирают клиенты
│ └─ B2: Почему переключаются
└─ Ветка C: Новые входящие игроки
 ├─ C1: Стартапы в нише (последние 6 мес)
 └─ C2: Зарубежные компании, планирующие выход в РФ

Для каждой ветки: найди, оцени перспективность, углубись или отсеки.

Due Diligence для инвестиций:

Проведи due diligence компании {название} через последовательный поиск:

Итерация 1: Общая информация (основатели, продукт, рынок)
Итерация 2: Финансы (выручка, прибыль, динамика) — если есть паблик инфо
Итерация 3: Команда и репутация (LinkedIn основателей, отзывы клиентов)
Итерация 4: Риски (правовые, репутационные, конкурентные)
Итерация 5: Перспективы (планы роста, новые продукты, рынки)

После каждой итерации: оценка "всё ок" / "red flags" / "нужно копать глубже".
Критерий остановки: достаточно данных для решения "инвестировать / pass / нужна встреча с командой".

A Survey of LLM-based Deep Search Agents: Paradigm, Optimization, Evaluation, and Challenges

Yunjia Xi, Jianghao Lin, Yongzhao Xiao, Zheli Zhou, Rong Shan, Te Gao, Jiachen Zhu, Weiwen Liu, Yong Yu, Weinan Zhang

Shanghai Jiao Tong University, Central South University

Репозиторий: https://github.com/YunjiaXi/Awesome-Search-Agent-Papers

Ключевые отсылки:

• OpenAI Deep Research (2025) — коммерческое решение для глубоких исследований
• Perplexity AI (2025) — поисковый агент с цитированием источников
• Gemini Deep Research (2025) — агент Google для исследовательских задач
• Self-RAG (Asai et al., 2023) — техника retrieve-generate-critique для улучшения RAG
• ReAct (Yao et al., 2022) — паттерн reasoning and acting для агентов