Summary
SearchOS 将 long-horizon open-domain search 外化为带 citation 的 relational schema completion，并以共享状态、continuous multi-agent scheduling、middleware governance 与 hierarchical skills 减少重复搜索和 context drift。
Problem & Motivation
Information-seeking agent 在长任务中需要持续发现 entity、补齐 attribute、跨 source 对齐 evidence，但这些进展往往只隐含在不断膨胀的 conversation history 中。当某条搜索路径失败时，single-agent 与 multi-agent system 都容易遗忘已尝试动作、重复查询，或在没有足够 coverage 时提前写答案。核心问题因此不是再增加一个 search agent，而是把未解决问题、证据、冲突、coverage 和 failure 变成可持久、共享、可调度的 system state。
Method
SearchOS 首先把请求表示为 relational schema completion：每个 table 定义 attribute、primary key 与 foreign-key relation，每个填入的 cell 都必须对应 citation matrix 中的 source URL 和 anchored excerpt。Search-Oriented Context Management（SOCM）维护四类状态：Frontier Task 记录 dependency、priority、target cell 与 attempt；Evidence Graph 存 atomic finding、support span、confidence 与 provenance；Coverage Map 标记 missing/filled/uncertain/unreachable 与 conflict；Failure Memory 保存重复 query、inaccessible source、failed skill 和 rejected claim。
Orchestrator 采用 pipeline-parallel continuous dispatch：agent 完成后立即更新 SOCM、重新计算 ready set 并填补空闲 slot，而非等待整批结束。Search Tool Middleware Harness 在 model 与 tool boundary 拦截执行，通过 Context Middleware 生成 role-specific state projection，通过 Evidence Extraction 把观察绑定到 schema，通过 sensor 检测 loop、stall 与 budget exhaustion。系统还包含 280 个 orchestrator、strategy 与 access skills；strategy 提供 query reformulation、entity enumeration、multi-hop reasoning 等方法，access skill 则封装 source-specific retrieval 或 typed executor。
Key Results
- WideSearch 上 SearchOS 的 Item F1 为 80.3，强于最优 baseline 的 76.0；Row F1 为 56.5，强于最优 baseline 的 54.5。GISA 上 Table Item/Row F1 分别为 76.9/59.7，Set F1 为 76.5，较最优 baseline 提升 13.4 个百分点。
- 在 40 个 schema 案例中，动态 schema planning 的 Item F1/Row F1 为 70.6/48.9；即便 oracle 为每题选择更好的 fixed single-table 或 multi-table，也只有 62.4/41.2。
- Continuous scheduling 相比 batch 将平均时间从 629.13 秒降到 476.34 秒，slot utilization 从 34.6% 提升到 41.7%，LLM call 从 341.4 降到 296.6，同时 Item F1 从 79.66 提升到 86.75。
- 启用 hierarchical skills 后，Item F1 从 78.3 提升到 80.3，Row F1 从 53.1 提升到 56.5；middleware 的 representative trajectory 显示 loop sensor 介入后 coverage 与 entity discovery 能恢复增长。
Strengths & Weaknesses
最强的贡献是把 search progress 从 prompt 内部搬到可审计的 data structure：Evidence Graph 保留 provenance，Coverage Map 不会用新值静默覆盖 conflict，Failure Memory 让不同 agent 共享负面经验。SOCM、scheduling 与 middleware 形成 closed loop，因而结果不仅展示 final score，也用 ablation 支持运行机制。
需要谨慎看待结果：主实验使用每个 case 三次运行中的 Max@3，可能高估单次部署表现；agent backbone 固定为 GLM-5，evidence extraction 固定为 Qwen3.5-35B-A3B，泛化到其他 model 仍待验证。评估集中于 WideSearch 与 GISA 的结构化答案，尚未证明对 multimodal、主观 synthesis 或开放式 exhaustive enumeration 同样有效；skill ablation 一次关闭全部 layer，无法区分 orchestrator、strategy 与 access skill 的独立贡献。
Mind Map
mindmap root((SearchOS)) Problem Implicit progress Repeated failed search Method Relational schema SOCM shared state Middleware and skills Results Higher WideSearch F1 Faster scheduling Skill gains
Notes
SearchOS 的关键不是“multi-agent 数量”，而是把 coordination object 做成 transaction-like shared state；这与 agent training infra 中 environment state、evidence provenance 和 failure replay 的需求高度一致。下一步应测试 Failure Memory 是否真的能跨 run 迁移，以及 state-writing error 会否成为新的 single point of failure。