Summary
针对 long-horizon information-seeking agent 全程只用一种固定 context management 策略的问题，AgentSwing 在每个 context 溢出触发点并行展开 Keep-Last-N / Summary / Discard-All 三条被管理分支，各自在真实环境中多走 K 步后由 agent 自身挑选最优续接。配套提出把 Pass@1 拆成 search efficiency η 与 terminal precision ρ 的概率视角，在 BrowseComp / BrowseComp-ZH / HLE 上三个 backbone 均超过最好的静态策略。
Problem & Motivation
Deep information-seeking 任务往往需要几十到几百轮 search / visit / verify / backtrack，而 context 容量有限，agent 常常在拿到答案前先把 workspace 用光。现有做法（Discard-All、Keep-Last-N、Summary）都是选定一种操作后在整条轨迹上反复施加。
作者的核心观察是：轨迹状态的质量随时间变化。有些时刻累积上下文里含有值得保留的中间结构，有些时刻则被噪声、drift、失败的局部探索主导，需要更激进的重置。固定策略无法区分这两种状态。
论文进一步指出 Pass@1 在长程场景下不是一个单一指标：它同时反映”能不能在资源耗尽前走到终止点”和”走到之后答得对不对”，这两件事对 context management 的偏好是相反的。
Method
概率视角：η 与 ρ
对任务 τ 与测试时策略 π，定义 S 为”到达停止点并给出最终答案”事件、C 为”答案正确”事件：
- search efficiency η = P(S | τ)：在资源（context budget、最大交互轮数）耗尽前抵达终止点的概率
- terminal precision ρ = P(C | S, τ)：抵达终止点的条件下答案正确的概率
- 由链式法则，Pass@1 = η · ρ（Eq. 5）
实证估计为 η ≈ N_finish / M、ρ ≈ N_correct / N_finish；资源耗尽未出答案的任务直接计失败。由于不同策略完成的任务子集不同，另定义 aligned terminal precision ρ_align = N_aligned-correct / N_aligned-finish 用于跨策略比较。
对 Discard-All，论文把多次 reset 建模为 N 次独立尝试：η^DA = 1 − ∏(1 − η_i) ≈ 1 − (1 − η_single)^N（Eq. 10，条件独立近似）。这解释了为什么单次尝试更弱的 Discard-All 仍能超过 baseline——每次 reset 的 context 更小因而 ρ 更高，而 η 的损失可以靠增加 reset 次数补回来。
框架预测的是策略在 η-ρ 平面上的定位，不是该选哪个策略：w/o CM 处于高 η 低 ρ 一端，Discard-All 处于低 η 高 ρ 另一端，Summary 与 Keep-Last-N 落在中间，四者构成一条经验 trade-off frontier。Figure 2 另给出一个可检验的推论：固定 400 轮上限时，aligned terminal precision 随 context budget 单调下降（作者归因于 context rot）。
AgentSwing 的两个组件
(1) Parallel Context Management。 当前 context 长度超过 max context length 的固定比例 r 时触发。在同一份 raw context 上并行施加三种候选策略：
| 策略 | 保留内容 |
|---|---|
| Keep-Last-N | 最近 N 个 (thinking, tool call, tool response) 三元组，N=5 |
| Summary | 原始 user prompt + 轨迹压缩摘要，即 (q, Sum) |
| Discard-All | 只保留原始 user prompt q |
没有 folding 分支，也没有 masking 分支。 论文在 Related Work 里把 folding 类工作（AgentFold、Yu et al. 2025）归入”与 Summary 密切相关的 context compaction”，因而未作为独立 baseline 运行。
(2) Lookahead Routing。 三条分支各自在真实环境中继续交互 K 个 turn（主实验 K=3），然后把三条候选续接连同原始 raw context 一起交给 agent model 本身，由它选出”最合理”的分支；其余分支丢弃，被选中的续接成为新主轨迹。路由器就是 agent 自己，没有训练专门的 router 或 verifier。这使得选择依据不只是被管理 context 的表面质量，还包括它在真实环境反馈下的短期下游行为。
值得注意的是，η/ρ 框架并没有给出路由准则——router 是一个 LLM 自选提示，与概率框架只是松耦合：框架用来解释静态策略为何各有所长，方法则靠 lookahead 经验性地绕开 trade-off。
Key Results
Setup。 Benchmark：BrowseComp（随机抽 200 题）、BrowseComp-ZH（全量 289 题）、HLE（500 道 text-only）。Backbone：GPT-OSS-120B、DeepSeek-v3.2、Tongyi-DR-30B-A3B。工具为 Search（batched Google，top-10）与 Visit；HLE 另加 Google Scholar 与 Python Interpreter（SandboxFusion）。max context 128k，max interaction budget 400 turns，触发比例 r=0.2（GPT-OSS-120B）/ r=0.4（另两个）。评测用 LLM-as-a-Judge。Summary 的摘要步骤一律由 GPT-OSS-120B 执行，与 agent backbone 无关。
主结果（Table 1，Pass@1 %）。
| Backbone | CM | BrowseComp | BrowseComp-ZH | HLE |
|---|---|---|---|---|
| GPT-OSS-120B | w/o CM | 39.5 | 28.4 | 33.2 |
| Discard-All | 50.5 | 31.5 | 34.2 | |
| Keep-Last-N | 52.5 | 33.6 | 34.1 | |
| Summary | 48.0 | 30.8 | 34.4 | |
| AgentSwing | 60.0 | 38.0 | 35.1 | |
| DeepSeek-v3.2 | w/o CM | 43.5 | 61.6 | 40.2 |
| Discard-All | 58.0 | 70.2 | 42.0 | |
| Keep-Last-N | 52.0 | 69.9 | 39.6 | |
| Summary | 48.5 | 69.2 | 43.5 | |
| AgentSwing | 62.5 | 71.3 | 44.4 | |
| Tongyi-DR-30B-A3B | w/o CM | 48.0 | 47.1 | 31.7 |
| Discard-All | 58.0 | 53.9 | 32.7 | |
| Keep-Last-N | 53.0 | 50.1 | 32.2 | |
| Summary | 55.0 | 49.1 | 32.0 | |
| AgentSwing | 60.5 | 56.7 | 33.1 |
相对各自最好的静态策略的增量：BrowseComp +7.5 / +4.5 / +2.5，BrowseComp-ZH +4.4 / +1.1 / +2.8，HLE 只有 +0.7 / +0.9 / +0.4（500 题上约 2–5 题之差）。论文全篇没有报置信区间或显著性检验。
一个对本 survey 更关键的读法：最好的静态策略随 backbone 和 benchmark 漂移——GPT-OSS-120B 上 BrowseComp 最好的是 Keep-Last-N，DeepSeek-v3.2 与 Tongyi-DR 上是 Discard-All，DeepSeek-v3.2 的 HLE 上又变成 Summary。这是”需要路由”最硬的经验证据，比 AgentSwing 自身的增量更有说服力。
Aligned 子集（Table 2）。 只统计三种策略都触发过 context management 的任务（N_align = 122 / 73 / 45，分别对应三个 backbone；原表把该列并入首行，此处的分解经四列算术自洽性核对）。
| Backbone | Strategy | N_finish | N_correct | η % | ρ % | Pass@1 % | 平均轮数 |
|---|---|---|---|---|---|---|---|
| GPT-OSS-120B (N_align=122) | Discard-All | 51 | 35 | 41.8 | 68.6 | 28.7 | 297.2 |
| Summary | 68 | 35 | 55.7 | 51.5 | 28.7 | 248.0 | |
| Keep-Last-N | 91 | 43 | 74.6 | 47.3 | 35.2 | 205.4 | |
| AgentSwing | 90 | 51 | 73.8 | 56.7 | 41.8 | 190.3 | |
| DeepSeek-v3.2 (N_align=73) | Discard-All | 40 | 24 | 54.8 | 60.0 | 32.9 | 268.3 |
| Summary | 72 | 22 | 98.6 | 30.6 | 30.1 | 132.2 | |
| Keep-Last-N | 53 | 23 | 72.6 | 43.4 | 31.5 | 183.5 | |
| AgentSwing | 68 | 26 | 93.2 | 38.2 | 35.6 | 151.9 | |
| Tongyi-DR-30B-A3B (N_align=45) | Discard-All | 11 | 9 | 24.4 | 81.8 | 20.0 | 340.8 |
| Summary | 35 | 9 | 77.8 | 25.7 | 20.0 | 215.7 | |
| Keep-Last-N | 42 | 9 | 93.3 | 21.4 | 20.0 | 153.0 | |
| AgentSwing | 34 | 14 | 75.6 | 41.2 | 31.1 | 203.6 |
结构上确实印证了框架：Keep-Last-N / Summary 拿 η，Discard-All 拿 ρ，AgentSwing 两头都靠近较好的一侧。但样本量极小——Tongyi-DR 上的”31.1 vs 20.0”实际是 45 题里对 14 题 vs 对 9 题，DeepSeek-v3.2 上是 73 题里 26 vs 24。
Lookahead 消融（Table 3，BrowseComp Pass@1 %）。
| Routing | GPT-OSS-120B | Tongyi-DR-30B-A3B |
|---|---|---|
| random | 51.0 | 56.5 |
| w/o Lookahead | 50.0 | 57.0 |
| Lookahead k=1 | 52.5 | 58.0 |
| Lookahead k=3 | 60.0 | 60.5 |
| Lookahead k=5 | 55.0 | 59.0 |
这张表回答了”路由是否胜过永远选最好的那个静态策略”，而答案比作者的叙述更窄：只有 k=3 胜出。GPT-OSS-120B 上最好静态策略是 Keep-Last-N 52.5，而 random（51.0）、w/o Lookahead（50.0）都低于它，k=1 恰好持平 52.5；Tongyi-DR 上最好静态策略是 Discard-All 58.0，random（56.5）、w/o Lookahead（57.0）同样更低，k=1 又恰好持平 58.0。也就是说，增益几乎全部来自 k=3 的前瞻 rollout，而不是”手里有多个候选”这件事本身。k=5 在两个 backbone 上都回落，作者归因于可能触碰模型最大长度限制——这是实现约束而非机制结论。
Appendix。 Appendix A（Figure 8，仅图无数字）比较不同候选策略组合：作者承认”某些单一策略、尤其是 Discard-All，本身已经很强”，但组合（如 Discard-All + Summary）通常更好。Appendix B 显示策略转移矩阵明显非均匀且依赖 backbone：DeepSeek-v3.2 与 Tongyi-DR 倾向转向 Summary，GPT-OSS-120B 更常转向 Discard-All。
成本：论文没有做算力对齐比较
这是本 survey 最需要留意的一点。AgentSwing 每次触发要跑 3 条分支 × K=3 轮 = 9 个额外交互轮，外加一次路由调用，而该路由调用的 prompt 同时包含三条候选续接与原始 raw context（按定义 ≥ r·128k，即 ≥25.6k 或 ≥51.2k token）。论文没有对这一开销给出任何数值。
全文关于成本的证据只有 Figure 6：在 Table 2 的 aligned 完成任务上，每个完成任务画一个点，横轴总交互轮数、纵轴终止时累计 token 数。正文只有定性两句：
“Although AgentSwing introduces additional token usage due to lookahead routing, the overhead remains modest in practice.”
“Taken together, these results show that AgentSwing does not achieve its gains by paying a substantially larger overall cost.”
支撑理由也是相对的而非绝对的：Keep-Last-N 在相近轮数下累计 token 更高（保留了更多历史），Discard-All token 少但需要更多轮。换言之，作者论证的是 AgentSwing 落在既有静态策略的成本区间内，而不是量化了自身的额外开销。
具体缺口：
- 没有 token-matched 或 compute-matched 比较。 Table 1 的主对比固定的是最大交互轮数（400）与 context 比例 r，不是 token 预算、FLOPs 或调用次数。Table 3 的消融同理。
- 没有报每题触发次数，因此从论文数据无法反推总的推理放大倍数。
- 未说明被丢弃分支的 token 是否计入 Figure 6 的”cumulative token count at termination”。 前引那句”introduces additional token usage”暗示计入，但没有给出口径定义。
- 未说明 lookahead 的 9 个轮次是否计入 400 轮预算，也未说明是否计入 Table 2 的平均轮数。 这直接影响”平均轮数 190.3 vs Discard-All 297.2”这类效率论断的可比性——lookahead 分支里的 search / visit 也是真实的工具调用与真实成本。
- 摘要与 Introduction 的”up to 3× fewer interaction turns”没有正文数字支撑，只能从 Figure 1 / Figure 5 的曲线上读取；而且它衡量的是 turn 而非 token 或算力。
- Summary 分支的摘要一律由 GPT-OSS-120B 生成，是一次跨模型的额外调用，同样未计入成本讨论；AgentSwing 把 Summary 作为候选之一，因此也继承了这个外部依赖。
Evidence Ledger
状态来自一次独立 verifier pass（只给 primary source、claim package 与状态定义，不给本笔记的分析与优缺点判断）。
source-verified仅表示原文确实包含该信息，不表示结果已被独立复现。
本笔记由 finder 产出，尚未经独立 verifier 核查；Status 一栏统一记
pending，locator 与 excerpt 供后续独立核查使用。
| Claim ID | Claim | Type | Source locator | Evidence excerpt | Status |
|---|---|---|---|---|---|
| C1 | context-management 分支恰为 Keep-Last-N（N=5）、Summary、Discard-All 三种，另加 w/o CM；三者中无 folding/masking 分支（全文零次 “mask”）。AgentFold 仅作为 Table 1 的外部对比系统出现，未作为 CM 分支运行 | benchmark-setting | Sec 3 (1); Sec 4.1 Baselines; Table 1 | ”we compare AgentSwing with … Discard-All, Keep-Last-N (N=5), and Summary” | source-verified（AgentFold 的出现位置由独立 verifier 补齐） |
| C2 | 论文在 Related Work 中把 folding 类工作（含 AgentFold）与 Summary 一并归为 compaction；未说明为何不单独设为 baseline | benchmark-setting | Sec 5 Related Work | ”context compaction strategies closely related to Summary (Yu et al., 2025; Ye et al., 2026 …)“ | source-verified（原表述的因果推断”因而未独立设为 baseline”论文未给，已删） |
| C3 | 概率框架为 Pass@1 = η·ρ，η 为 search efficiency、ρ 为 terminal precision | causal-mechanism | Sec 2.1, Eq. 1-5 | ”Pass@1^π = P(Success^π) = P(S^π ∩ C^π) = η^π ρ^π” | source-verified |
| C4 | Discard-All 的 η 建模为 1−(1−η_single)^N，依赖跨 reset 段的条件独立近似 | causal-mechanism | Sec 2.2, Eq. 10 | ”under a conditional independence approximation across reset-based segments” | source-verified |
| C5 | 触发条件为当前 context 长度超过 max context length 的比例 r；r=0.2 (GPT-OSS-120B)、r=0.4 (另两个)，max context 128k | benchmark-setting | Sec 3; Sec 4.1 Hyper-parameters | ”we use r=0.2 for GPT-OSS-120B and r=0.4 for both Tongyi-DR-30B-A3B and DeepSeek-v3.2” | source-verified |
| C6 | 并行分支数为 3，每条 lookahead K 个 turn；路由由 agent model 自身在候选续接 + 原始 raw context 上选择 | causal-mechanism | Sec 3 (1)(2); Fig 4 caption | ”presents the candidate continuations together with the original raw context to the agent model, which then selects” | source-verified |
| C7 | GPT-OSS-120B BrowseComp：w/o CM 39.5、Discard-All 50.5、Keep-Last-N 52.5、Summary 48.0、AgentSwing 60.0 | number | Table 1 | ”GPT-OSS-120B … 39.5 … 50.5 … 52.5 … 48.0 … 60.0” | source-verified |
| C8 | DeepSeek-v3.2 AgentSwing 62.5 / 71.3 / 44.4，对应最好静态 58.0 / 70.2 / 43.5 | number | Table 1 | ”AgentSwing (Ours) 62.5 71.3 44.4” | source-verified |
| C9 | Tongyi-DR-30B-A3B AgentSwing 60.5 / 56.7 / 33.1，对应最好静态 58.0 / 53.9 / 32.7 | number | Table 1 | ”AgentSwing (Ours) 60.5 56.7 33.1” | source-verified |
| C10 | HLE 上 AgentSwing 相对各自最好静态策略的增益仅 +0.7 / +0.9 / +0.4 | number (derived) | Table 1 算术 | 35.1−34.4；44.4−43.5；33.1−32.7 | source-verified |
| C11 | 最好的静态策略随 backbone/benchmark 变化（Keep-Last-N / Discard-All / Summary 各有胜出场景） | comparison (derived) | Table 1 逐列比较 | GPT-OSS BC 最优 Keep-Last-N；DeepSeek HLE 最优 Summary | source-verified |
| C12 | Table 3：random 51.0/56.5，w/o Lookahead 50.0/57.0，k=1 52.5/58.0，k=3 60.0/60.5，k=5 55.0/59.0 | number | Table 3 | ”random 51.0 56.5 / w/o Lookahead 50.0 57.0 / Lookahead (k=3) 60.0 60.5” | source-verified |
| C13 | 去掉 lookahead 或随机路由后，路由不再超过最好的单一静态策略（52.5 / 58.0） | comparison (derived) | Table 1 + Table 3 交叉 | 50.0 与 51.0 均 < 52.5；57.0 与 56.5 均 < 58.0 | source-verified |
| C14 | 论文未提供 token-matched 或 compute-matched 比较；token 成本证据仅 Figure 6 散点与一句定性表述，轮数成本另见 Table 2 的 N̄_turn 列，但两者都不是算力对齐的对照。全文无任何 aggregate token 数字 | benchmark-setting | Sec 4.3 “Comparison of Token Efficiency”; Fig 6; Table 2 | ”the overhead remains modest in practice” | source-verified（N̄_turn 一项由独立 verifier 补齐） |
| C15 | 成本结论原句：AgentSwing 未以显著更大总成本换取增益 | comparison | Sec 4.3 | ”AgentSwing does not achieve its gains by paying a substantially larger overall cost” | source-verified |
| C16 | 主对比固定的是最大交互轮数 400 与 context 比例 r，不是 token/算力预算 | benchmark-setting | Sec 4.1 | ”we set the maximum interaction budget to 400 turns for all context management strategies” | source-verified |
| C17 | ”up to 3× fewer interaction turns” 出现在 Abstract 与 Intro，正文无对应数字，仅由 Figure 1/5 曲线支撑 | comparison | Abstract; Sec 1; Fig 1, Fig 5 | ”matching or exceeding their performance with up to 3× fewer interaction turns” | source-verified |
| C18 | Table 2 aligned 子集规模 N_align = 122 / 73 / 45；AgentSwing 平均轮数 190.3 / 151.9 / 203.6 vs Discard-All 297.2 / 268.3 / 340.8 | number | Table 2 | ”Discard-All 122 51 35 41.8 68.6 28.7 297.2 … AgentSwing 90 51 73.8 56.7 41.8 190.3” | source-verified |
| C19 | Summary 的摘要步骤一律由 GPT-OSS-120B 执行，与 agent backbone 无关 | benchmark-setting | Sec 4.1 Baselines | ”For Summary, the summarization step is always performed by GPT-OSS-120B” | source-verified |
| C20 | Table 1 中带 ‡ 的分数为全量 benchmark 结果，未标记者为作者自设子集（BrowseComp 200 / HLE 500 text-only） | benchmark-setting | Table 1 caption; Sec 4.1 | ”Scores marked with ‡ represent full-benchmark results, whereas unmarked scores correspond to our benchmark settings” | source-verified |
| C21 | Appendix A 的策略组合对比只有图（Figure 8），正文无数字；作者承认 Discard-All 单用已很强 | benchmark-setting | Appendix A | ”some single strategies, especially Discard-All, already perform strongly” | source-verified |
| C22 | 全文未见代码发布声明；正文唯一的工具链接是 SandboxFusion，Alibaba-NLP/DeepResearch 出现在参考文献中（Tongyi-DR backbone），其余外部链接均为引文 URL | license-code | 全文检索（our code / code available / we release / artifact / github / reproduc*） | 无 code release 声明 | source-verified（原括号内的链接清点被独立 verifier 判为 contradicted，已改写） |
Strengths & Weaknesses
Strengths.
η/ρ 分解是这篇论文真正可复用的部分。它把”context management 到底改善了什么”这个含糊问题变成两个可分别测量的量，并且解释了一个反直觉现象：最激进的 Discard-All 反而 terminal precision 最高，因为小 context 意味着更少 context rot；它的劣势在 η 上，而 η 可以靠增加 reset 次数补回来。这个视角对任何 harness 组件归因都适用，不局限于 context management。
Aligned finished subset（ρ_align）的设计也值得借鉴：不同策略完成的任务集本就不同，直接比 accuracy 会把 η 的差异混进 ρ 里。
“最优静态策略随 backbone 和 benchmark 漂移”这一经验事实（Table 1 逐列可读出）是支持自适应路由最有力的论据，尽管作者并未把它当作主论点来写。
Weaknesses.
成本论证是最弱的一环。 方法在结构上把每个触发点的推理量放大了近一个数量级（3 分支 × 3 轮 + 一次含全部候选与原始 context 的路由调用），而论文只给了一张散点图和”overhead remains modest”这样的定性判断，没有 token 计数、没有触发频次、没有口径定义、没有任何 compute-matched 对照。作者的辩护是”Keep-Last-N 在相近轮数下 token 更多”，这只说明 AgentSwing 没有跑出静态策略的成本区间之外，不等于开销被测量过。对 harness 设计来说这恰恰是要害：一个允许 3 倍推理预算的静态策略（比如更大的 r、更多 reset、或对同一策略做 3 次采样投票）能否拿到同样的 60.0，论文完全没有回答。
Turn 作为成本代理不成立。 主实验固定 400 turn，Table 2 拿平均轮数当效率证据，但论文没有说明 lookahead 的 9 个轮次是否计入。如果不计入，“AgentSwing 190.3 轮 vs Discard-All 297.2 轮”就是在拿净化过的数字比毛数字。这一点无法从论文本身消解。
增益的统计基础偏薄。 HLE 上三个 backbone 的增益都 ≤0.9 点（500 题上 2–5 题）；Table 2 的 aligned 子集只有 45 / 73 / 122 题，Tongyi-DR 的核心对比是”对 14 题 vs 对 9 题”。全文没有置信区间、没有多次运行、没有显著性检验。BrowseComp 只用了 200 题的随机子集。
框架与方法只是松耦合。 论文以概率框架为卖点，但 router 并不使用 η 或 ρ 的任何估计，而是让 agent 自己看着三条续接选一条。框架用于事后解释静态策略的定位，方法则是纯经验的 test-time search。若真的按框架设计，应当去估计各分支的 η/ρ 后再决策——这条路论文没有走，也未讨论为何不走。
“多候选”本身没有价值。 Table 3 与 Table 1 交叉读出的结论是：去掉 lookahead 后并行三条分支反而略低于最好的单一静态策略。这意味着标题里的 “Parallel Context Management” 不是增益来源，“Lookahead” 才是。而 k=3 与 k=5 的非单调性被解释为触碰最大长度限制，属于实现约束；只测了三个 k 值、两个 backbone、一个 benchmark。
候选集不完整。 Folding 被并入 Summary、masking / 结构化 memory / 外部 scratchpad 类策略完全缺席。作者在 Appendix A 已承认效果依赖候选集的多样性与互补性，那么当前三元组的选择是否最优就成了未验证的前提。
可比性瑕疵。 Summary 分支跨 backbone 统一用 GPT-OSS-120B 做摘要，对 Tongyi-DR-30B-A3B 而言引入了一个更强的外部模型。Table 1 里”超过若干闭源基座”的说法把 500 题 text-only HLE 子集（且额外配备 Google Scholar 与 Python Interpreter）与闭源模型的全量 HLE 分数并排。代码未开源。
对领域的影响。 把 context management 从”选一个压缩函数”重构为”按状态路由”是正确的问题重述，η/ρ 分解也提供了一个能被后续工作直接采用的度量语言。但作为方法本身，它是一个成本未被审计的 test-time search，且增益集中在 BrowseComp 一个 benchmark 上。在 harness 设计的语境下，它更适合被引为”静态策略无单一赢家”的证据，而不是”自适应路由已被证明划算”的证据。
Mind Map
mindmap root((AgentSwing)) Problem 长程检索受限于有限 context 静态 CM 策略全程不变 轨迹状态质量随时间漂移 Framework search efficiency eta terminal precision rho Pass@1 = eta x rho 静态策略构成 trade-off frontier Method 触发 context 超过 r x 128k 并行三分支 Keep-Last-N N=5 Summary Discard-All Lookahead K=3 轮真实 rollout agent 自身充当 router Results BrowseComp 60.0 / 62.5 / 60.5 HLE 增益仅 +0.4 到 +0.9 k=3 才超过最好静态策略 最优静态策略随 backbone 漂移 Cost 无 token-matched 对照 无 compute-matched 对照 仅 Figure 6 散点与定性表述 lookahead 轮次是否计入未说明
Notes
Tag 归属。 尽管标题写的是 “Web Agents”，本文的 agent 只调用 Search 与 Visit 做开放网络检索与答案生成，不产生 GUI/browser state transition。按 references/tags.md 的收窄定义应归 deep-research 而非 web-agent；benchmark 为 BrowseComp / HLE，也命中 Topics/WebAgent-Survey.md（Deep Research 专题）的 keywords 与 Topics/CUA-Survey.md 的 hard_exclude_keywords。
Table 2 的 N_align 为重建值。 arXiv HTML 把每个 backbone 的 N_align 只写在首行，抽取后其余行缺列。本笔记中 122 / 73 / 45 的分配经四组算术自洽性验证（η = N_finish/N_align、ρ = N_correct/N_finish、Pass@1 = N_correct/N_align 三式在全部 12 行同时成立）。独立 verifier 宜复核原表版式。
留给 survey 的开放问题。
- 把静态策略的 compute 提到与 AgentSwing 相同水平（更多 reset、self-consistency 采样、或对同一策略并行多轨迹取优），60.0 是否仍然领先？论文未做，这是判断该方向是否值得投入的关键实验。
- Lookahead 的价值究竟来自”看到了下游反馈”，还是仅仅来自”多跑了 9 轮探索”？k=1 恰好持平最好静态策略、k=3 才拉开，这个形状同时符合两种解释。
- η/ρ 分解能否推广到本 survey 的其他 harness 轴（工具集设计、verifier、recovery）？这是本文最可迁移的部分。
相关笔记。 2510-ContextFolding、2512-FoldAct、2510-MemAct（folding / compaction 路线，本文未作为独立 baseline）；2504-BrowseComp（评测集）；2607-ProgressiveDisclosure、2607-HarnessBank（harness 组件视角）。