晓｜ICLR'25中科大提出MindSearch：AI查资料3分钟顶3小时

搜索“总结2023年NeurIPS、ICML、ICLR三大ML顶会的最佳论文，还要分析热门领域趋势”，搜了十几页结果：有的只说某个会议论文分析，有的提了最佳论文但是没有趋势，零散得像没串起来的珠子；让AI回答，它倒是说得头头是道，结果一半细节查不到来源，疑似“瞎编”；更糟的是，好不容易攒了一堆资料，AI又弹出“内容太多，超出我的记忆容量”——这是不是你查复杂信息时的日常崩溃？

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

最近我在读ICLR 2025的一篇论文时，突然眼前一亮：来自中科大和上海AI实验室的团队，搞出了个叫MindSearch（中文名“思·索”）的多智能体框架，居然把这些痛点优化了。它能像人一样“边思考边找信息”，3分钟就能完成原本要花3小时的资料搜集整合，甚至用开源的InternLM2.5-7B模型做出来的效果，比ChatGPT-Web（基于GPT-4o）和Perplexity.ai还受人类待见。今天就从研究员的角度，跟你聊聊这东西到底是怎么“读懂人心”的。

先搞懂：我们查复杂资料时，到底在“卡”什么？

在聊技术之前，得先说说我们面对“复杂问题”时，本质上在跟什么较劲。比如“总结2023年NeurIPS、ICML、ICLR三大ML顶会的最佳论文，还要分析热门领域趋势”，这种问题难就难在三点——这也是MindSearch要解决的核心痛点：

第一，“一次性搜不全”。你不可能用一个关键词就把三个顶会的最佳论文全揪出来，更别说还要趋势分析。就像你要办一场生日宴，不可能一趟超市就买齐蛋糕、食材、装饰——得拆成多个任务，可传统搜索工具要么“一次性乱买一堆”，要么“漏买关键项”。

第二，“信息噪音太多”。搜出来的结果里，可能混着2022年的论文、非“最佳论文”的普通文章，甚至还有自媒体的片面解读。这就像你买食材时，摊位上混着不新鲜的菜、跟宴席无关的零食，挑半天才能找到能用的，特别费时间。

第三，“AI记不住太多东西”。就算你挑出20篇有用的网页，每篇几千字，LLM的“记忆容量”（也就是context length）根本装不下——相当于你买了一堆菜，厨房台面太小，根本摆不开，没法动手做饭。

我们团队之前也试过用传统的“检索增强生成（RAG）”解决这类问题，比如让AI先搜再写，但结果总是差强人意：要么搜得太浅，要么整合得太乱，本质上就是没解决这三个痛点。而MindSearch的巧妙之处，就在于它学了“人类解决复杂问题的思路”——先拆任务，再分工找信息，最后整合。

传统方法为啥不行？像“用勺子挖游泳池”

在MindSearch之前，行业里解决“AI+搜索”的思路主要有两种，都有点“治标不治本”：

第一种是纯LLM硬扛。就是让GPT-4o这类模型直接回答，实在不知道就“瞎编”。这就像你不查菜谱、不买食材，直接让厨师凭空做一桌宴席——偶尔能蒙对几道简单菜，但复杂的肯定翻车。实验里也能看出来，纯GPT-4o在HotpotQA（复杂多跳问答）的平均正确率只有53.5%，开源模型更是只有42.9%。

第二种是RAG或ReAct式搜索。RAG是“先搜一堆资料，再让AI总结”，像一次性买完所有菜再做饭，不管食材用不用得上；ReAct是“边搜边想”，比如先搜“NeurIPS 2023最佳论文”，拿到结果再搜“ICML的”，一步一步来。但这种方式效率太低，而且容易在中间步骤“走歪”——比如搜完NeurIPS，忘了还要分析趋势，最后漏了关键信息。实验里ReAct在GPT-4o上的正确率也只到55.1%，没比纯LLM好多少。

简单说，这些方法要么“没工具硬干”，要么“有工具但不会用”，就像用勺子挖游泳池，费了半天劲，进度还是慢得让人着急。

MindSearch的核心：让AI像“餐厅后厨”一样分工干活

MindSearch的突破，本质上是搞了个“AI版后厨团队”——两个核心角色：WebPlanner（相当于“主厨”）和WebSearcher（相当于“专业采购员”）。这俩角色分工明确、互相配合，完美解决了前面说的三个痛点。

1. WebPlanner：“主厨”的活儿——把复杂问题拆成“可执行的采购清单”

你去餐厅点“一桌融合菜”，主厨不会直接让采购员“买所有菜”，而是先拆成“买澳洲和牛”“买松露”“买日本米”这些具体需求，还会标清楚“哪些可以同时买”“哪些要等前一步买完再买”。WebPlanner干的就是这个活：把用户的复杂问题，拆成一个个“原子化子问题”，再用“动态流程图”（论文里叫DAG，不用记这个词）管理步骤。

举个例子，用户问“介绍一款中国产的3A游戏，要细节”：

• WebPlanner先把问题拆成“中国有哪些3A游戏”“原神的开发背景”“原神的玩法核心”“原神的全球销量”这些子问题——每个子问题都像一个“采购需求”，只聚焦一个点，不贪心。

• 然后它会画个“流程图”：先搜“中国3A游戏列表”（这是第一步），拿到结果后，再同时搜“原神”“黑神话：悟空”的细节（这些可以并行，不用等一个搜完再搜）——就像主厨让采购员同时去肉铺和蔬菜铺，节省时间。

这里最让我惊讶的是，WebPlanner还用“写代码”的方式来管理这个流程图。你可能会问：“让AI写代码？这不是更复杂了吗？”其实反而是为了“更精准”。就像主厨写清楚“买500克M9和牛，不要冻肉”，比口头说“买些好牛肉”更不容易出错。如果代码写错了（比如子问题重复了），Python解释器会报错，WebPlanner能马上修正——相当于采购员发现清单写错了，立刻跟主厨确认，不会买错东西。

我们之前做类似任务时，最头疼的就是“AI拆问题拆得太粗”，比如把“原神玩法+销量”放一个子问题里，结果搜出来的信息混在一起，不好整合。MindSearch这种“代码化拆分工单”的方式，很好优化了这个问题。

2. WebSearcher：“采购员”的活儿——精准找信息，不买“没用的菜”

采购员接到清单后，不会随便乱买：先去多个市场看看（广撒网），再挑靠谱的摊位（选网页），最后只买新鲜的食材（提取关键信息）。WebSearcher的“分层检索”就是这个逻辑，显著优化了“信息噪音多”和“AI记不下”的问题。

具体分三步：

• 第一步：“多问几个渠道”。比如要搜“原神全球销量”，WebSearcher不会只搜“原神销量”，还会生成“Genshin Impact global sales 2024”“原神各地区收入占比”等多个相关查询——就像采购员去超市、农贸市场、线上平台都问一遍，确保不漏掉关键信息。

• 第二步：“挑靠谱的摊位”。搜出来的结果可能有100个网页，WebSearcher会先看标题和摘要，挑出“米哈游官方财报”“Newzoo游戏行业报告”这种靠谱来源，排除“玩家论坛猜测”“过时的2021年数据”——相当于采购员只在口碑好的摊位买，避免买到假货。

• 第三步：“只带有用的食材回来”。WebSearcher会把挑中的网页内容提炼成“关键信息”（比如“2024年原神全球累计收入超60亿美元，移动端占比70%”），再交给WebPlanner——不会把整个网页的几万字都塞给AI，完美解决“记忆容量不够”的问题。

实验里能看出来，这种方式效率极高：MindSearch能在3分钟内处理300多个网页的信息，而人类要干3小时——相当于你花喝一杯咖啡的时间，搞定原本要一下午的查资料工作。

它到底比别人强在哪？三个“反常识”的创新

MindSearch能在实验里“打败”ChatGPT-Web和Perplexity.ai，不是靠“模型更牛”，而是靠“流程更聪明”。有三个创新点，我觉得特别值得说：

1. 不是“先搜再想”，而是“边想边搜，动态调整”

传统方法都是“先搜一堆资料，再整理”，就像采购员先买完所有菜，再让主厨想怎么做。而MindSearch是“主厨边想菜单，边让采购员补买食材”——比如WebPlanner先让WebSearcher搜“原神开发背景”，拿到结果发现“原神用了自研的Anime Shading技术”，马上新增一个子问题“原神的Anime Shading技术细节”，让WebSearcher再去搜。

这种“动态调整”特别适合复杂问题，就像你写报告时，越查越发现有新的关键点要补充，MindSearch能自动跟上这种“思考节奏”，而不是一开始就定死所有步骤。

2. 不是“信息越多越好”，而是“精准分层，过滤噪音”

很多人觉得“AI搜信息，越多越好”，但MindSearch反其道而行之：通过“多查询生成→网页筛选→信息提炼”的分层步骤，主动“扔掉没用的信息”。就像优秀的采购员不会买一堆菜回来占地方，而是只买“用得上、质量好”的——这样既减轻了AI的“记忆负担”，又提高了信息的准确性。

实验里也能验证这一点：如果去掉“多查询生成”这个步骤，MindSearch的正确率会从64.0%降到60.6%；去掉“网页筛选”，会降到58.0%——可见“过滤噪音”比“多搜信息”更重要。

3. 开源模型也能打赢闭源，靠的是“流程优化”

这是最让我意外的一点：用开源的InternLM2.5-7B（参数只有70亿）做的MindSearch，居然在人类评价中超过了用GPT-4o（闭源大模型）的ChatGPT-Web。原因很简单：闭源模型虽然“脑子好”，但没“好工具”；而MindSearch给开源模型配了“精准拆任务+高效找信息”的工具，相当于给普通厨师配了“专业采购员+精准菜谱”，最后做出的菜反而比“天才厨师但没工具”更好。

这对行业来说是个好消息：以后不用非得依赖闭源大模型，用开源模型+好的流程设计，也能做出高质量的AI搜索工具。

实际用起来怎么样？人类评估说了算

光说原理没用，得看实际效果。团队做了两个关键实验，结果很有说服力：

第一个是“人类主观评价”：找5个专家，盲测MindSearch（InternLM2.5-7B）、ChatGPT-Web（GPT-4o）、Perplexity.ai Pro的回答，从“深度”“广度”“事实性”三个维度打分。结果是：

• 深度：MindSearch 83% vs ChatGPT-Web 73% vs Perplexity 70%——比如回答“嫦娥六号采样难点”，MindSearch会详细说“鹊桥二号中继卫星怎么解决通信”，而其他工具可能只提“有通信问题”。

• 广度：MindSearch 73% vs 其他两个分别是24%和17%——比如回答“3A游戏”，MindSearch会覆盖开发、玩法、销量、技术，其他工具可能只说玩法。

• 事实性：MindSearch 70%，跟其他两个差不多——这是目前的小短板，团队说未来会优化“信息溯源”，减少瞎编的可能。

第二个是“闭集QA测试”（比如HotpotQA）：用GPT-4o和InternLM2.5-7B分别跑MindSearch和传统方法。结果是：

• GPT-4o+MindSearch的正确率是59.8%，比纯GPT-4o（53.5%）高6.3%；

• InternLM2.5-7B+MindSearch的正确率是49.2%，比纯开源模型（42.9%）高6.3%——而且越复杂的问题（比如“多跳问答”），MindSearch的优势越明显。

简单说：MindSearch不是“让AI更聪明”，而是“让AI更会干活”——就像一个普通团队，靠好的分工和流程，能打赢比自己“单兵能力强”但没章法的对手。

现在还不完美，但方向很亮

当然，MindSearch不是“万能的”，还有几个明显的局限，团队也在论文里坦诚说了：

第一，不能处理视觉信息。如果用户问“原神的角色设计风格有什么特点”，需要看图片对比，MindSearch现在还做不到——只能处理文字信息。

第二，不能跟网页互动。比如要查“某游戏的最新更新日志”，需要点进官网的“更新公告”页面，MindSearch现在只能搜现成的网页结果，不能主动“点击、跳转”网页。

第三，引用质量没评估。虽然它会标注信息来源，但没判断“这个来源靠不靠谱”——比如引用了“玩家论坛的猜测”和“官方财报”，现在还没法区分优先级。

但这些都是“可以改进的问题”，不是方向错了。我觉得MindSearch的最大价值，是给行业指了一条路：未来的AI搜索工具，核心竞争力不是“模型多大”，而是“能不能像人一样思考、分工、解决复杂问题”。

最后：这东西对我们普通人意味着什么？

可能你会说：“这跟我有啥关系？我又不做学术研究。”其实关系很大——以后你查复杂信息，可能再也不用“搜半天、理不清、怕瞎编”了：

比如你想“给父母选一款适合的养老医疗险”，MindSearch能拆成“2024年主流养老医疗险有哪些”“某款产品的报销范围”“60岁以上老人的投保条件”“用户理赔案例”这些子问题，自动找信息、整合答案，甚至对比不同产品的优缺点——不用你自己翻十几页保险条款，也不用怕AI瞎编“理赔成功率”。

再比如学生写论文，要“分析某部电影的社会影响”，MindSearch能自动搜“电影的票房数据”“影评人评价”“社会学论文对它的分析”“观众调研结果”，还会标注来源，避免抄袭风险。

就像当年搜索引擎把“查资料”从“跑图书馆”变成“在家点鼠标”，MindSearch这类工具可能会把“查复杂资料”从“崩溃的几小时”变成“轻松的几分钟”。

如果你也有过“查资料查到崩溃”的经历，或者对“AI怎么像人一样思考”感兴趣，欢迎在评论区聊聊——你平时查复杂信息时，最头疼的是什么？

参考资料：

• 标题：MINDSEARCH: MIMICKING HUMAN MINDS ELICITS DEEP AI SEARCHER

• 作者：Zehui Chen∗1, Kuikun Liu∗2, Qiuchen Wang1, Jiangning Liu2, Wenwei Zhang2, Kai Chen2†, Feng Zhao1†

• 单位：1MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, USTC; 2Shanghai AI Laboratory

• 链接：https://openreview.net/pdf?id=xgtXkyqw1f