阿里巴巴国际站Table-as-Search：表格化搜索解决复杂信息查询难题

你是否曾在进行复杂信息搜集时，打开无数浏览器标签页，却很快迷失在信息的海洋中，忘记了自己已经找到了什么、还需要寻找什么？面对海量、零散的搜索结果，你是否感到无从下手、难以整理？这不仅是普通用户的困扰，也是当前AI信息搜索系统面临的普遍挑战——在应对长期、复杂的多步骤搜索任务时，AI同样会“迷失方向”。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

近期，阿里巴巴国际数字商务团队的一项前沿研究（论文编号：arXiv:2602.06724v1）为这一难题提供了极具创新性的解决方案。他们提出的“Table-as-Search”（简称TaS）框架，其核心理念清晰而优雅：将混乱无序的搜索过程，转变为像填写一张结构化表格那样条理清晰、目标明确。

从“盲目探索”到“结构化导航”：搜索范式的革新

传统AI搜索系统的工作模式类似于“边走边想”。它将所有搜索历史和中间结果存储在“工作记忆”中，并据此规划下一步。对于简单查询，这种方式尚可应对。然而，一旦任务变得复杂、步骤繁多，系统极易因信息过载而“遗忘”关键上下文，导致效率低下和结果偏差，即学术界所称的“迷失在中间”现象。

TaS框架的突破性在于，它为这个容易“健忘”的系统提供了一张永不离线的“动态任务地图”。具体而言，当用户提交一个复杂查询时，系统会首先生成一张结构化的动态表格。这张表的“行”代表需要寻找的候选目标，“列”代表需要验证的约束条件或需要收集的具体信息项。整个复杂的搜索任务，就此被解构为一个直观的“填表”流程：已获取的信息填入对应单元格，而空白单元格则清晰地指明了下一步的搜索目标。

这就像在进行大型项目采购前，制定一份详尽的采购清单，每完成一项就进行标记。通过这种可视化的进度管理，系统能够全局掌控搜索状态，从根本上避免了信息混乱和任务迷失。

一表多用：统一框架解决三类核心搜索难题

更令人印象深刻的是，这种“表格化”的思维框架具有强大的普适性，能够统一应对三种截然不同的信息搜索需求：

深度搜索（垂直挖掘）：寻找完全符合一系列严格条件的特定目标。例如，“寻找一位在其出生省份上大学、20岁左右为知名电视剧演唱过主题曲、并在22岁左右发行了首张个人专辑的华语流行歌手”。这类任务要求层层递进、深度验证。

广度搜索（横向收集）：大规模收集某一类别对象的基础信息。例如，“搜集2005年至2015年间所有TED大奖获得者的个人简介、获奖演讲主题及核心观点”。这类任务强调覆盖的全面性和信息的完整性。

深广结合搜索（混合任务）：最具挑战性的一类，要求同时具备“广泛发现”和“深度探查”能力。典型的商业应用场景是：“寻找30家位于西班牙市场、在线销售阿迪达斯品牌运动鞋、具备价格竞争力且拥有成熟B2C电商运营经验的零售商，并收集其官方网站及联系方式”。

多智能体协同作业：高效“填表”的流水线

那么，这张“智能表格”在技术上是如何运作的呢？TaS框架采用了一种精心设计的多智能体协同架构，宛如一个高效的专业团队：

一个主规划智能体扮演“项目经理”角色，负责解析复杂任务、设计最优的表格结构，并统筹协调整个搜索流程。多个执行智能体则如同“专业侦察兵”，被派遣执行具体的搜索子指令。所有搜集到的信息都会被规整地存储在一个外部知识库中，有效避免了工作内存的过载问题。

其工作流程可清晰地划分为三个阶段：

1. 表格初始化与规划：基于用户查询的语义分析，生成最适配任务目标的结构化表格模板。
2. 动态协调与执行：这是系统的核心引擎。系统会智能地在两种工作模式间动态切换：当候选对象不足时，启动“行扩展”模式，并行派遣多个执行智能体去发现新目标；当候选目标足够但信息不全时，则切换到“单元格填充”模式，针对每个目标的缺失信息进行深度补全。
3. 结果综合与交付：当表格填充达到预定标准后，系统自动整合所有结构化信息，生成清晰、完整的最终答案呈现给用户。

实验验证：结构化策略带来的性能飞跃

为了全面评估TaS框架的效能，研究团队进行了 rigorous 的大规模实验。数据结果极具说服力：

在深度搜索任务中，搭载了成本较低的Gemini-2.5-Flash模型的TaS系统，取得了52.4%的准确率，其表现甚至超越了使用更强大模型（GPT-4o）的传统多智能体搜索系统（38.4%）。这有力地证明，在复杂任务中，卓越的结构化状态管理策略，其价值可能超过单纯的模型推理能力提升。

在广度搜索任务中，TaS同样表现优异。它成功打破了传统系统中“覆盖率”与“精确度”此消彼长的困局，在显著扩大信息覆盖范围的同时，依然保持了高水准的信息准确性。

在最能体现实际商业价值的深广结合搜索任务中（团队为此专门构建了一个包含20个真实商业场景的测试集），TaS的优势更为突出。与谷歌的商用高级研究系统Gemini DeepResearch相比，TaS在目标候选发现的准确率和详细信息收集的精确度上，分别提升了4.7%和5.1%。这凸显了开放式、透明化的结构化规划相比封闭式黑盒系统的显著优势。

超越准确性：鲁棒、高效与灵活的系统优势

深入分析表明，TaS框架的优势是全方位的：

鲁棒性随任务复杂度提升：任务越复杂，TaS展现的优势越大。在简单任务中，其性能优势约为14.3%，而在最高复杂度的任务中，这一优势可扩大至17.9%。这表明该框架天生就是为驾驭高复杂度信息检索而设计的。

效率源于智能策略，而非暴力搜索：TaS的性能提升并非依靠简单地增加搜索次数或计算资源堆砌。实验证明，它在使用相同甚至更少搜索步数的情况下，就能获得优于传统系统的结果，体现了其更优的搜索路径规划能力。

卓越的可扩展性与部署灵活性：当获得更多计算资源时，TaS能更有效地利用资源实现性能线性增长。同时，其执行层的智能体可以轻松替换为更小型、更专业的轻量级模型，从而大幅降低运营成本。该框架也能无缝集成现有的专业搜索工具或API。

直击传统痛点与框架局限

通过具体案例，研究团队展示了TaS如何有效解决传统搜索方法的两个核心痛点：一是过早收敛问题（即找到部分匹配结果后便过早停止搜索），TaS的表格结构强制系统必须验证所有预设条件；二是搜索不充分问题（容易遗漏关键信息维度），TaS通过明确的表格单元格确保了信息收集维度的完整性。

当然，团队也客观指出了该框架当前的局限性：TaS主要针对需要主动信息检索的复杂任务进行优化，对于无需外部搜索的简单问答可能显得冗余；其整体性能在很大程度上依赖于主规划智能体的任务分解与规划能力；此外，深广结合类搜索任务的评估目前仍需较多人工参与，限制了全自动化评估的规模与效率。

结语：一次信息检索思维的范式转移

总而言之，Table-as-Search框架的意义，远超一项具体的技术改进。它本质上代表了信息检索领域的一次思维范式转移——将复杂的搜索过程从依赖“生成式文本推理”的模糊模式，重新定义为“管理结构化知识状态”的清晰流程。

在信息过载的时代，这种能够有效驾驭复杂性、提升决策可靠性的工具，其价值至关重要。无论是用于市场调研、竞品分析、学术文献综述，还是个人生活中的重大决策，TaS都指明了一条更为可靠、高效的信息处理路径。它或许正在为下一代智能搜索与信息整合系统，奠定全新的技术基石。

常见问题解答（Q&A）

Q1：什么是Table-as-Search（TaS）框架？
A：Table-as-Search是阿里巴巴国际团队研发的一种创新型智能信息搜索框架。它将复杂的多步骤搜索任务转化为一个动态填表的过程。系统通过生成结构化的表格（行代表候选目标，列代表查询条件或信息维度）来可视化和管理整个搜索进度，从而有效解决传统AI搜索在复杂任务中容易迷失方向、遗忘上下文的难题。

Q2：TaS框架相比传统AI搜索方法有哪些核心优势？
A：TaS的核心优势在于其革命性的结构化状态管理能力。传统方法在长链条复杂搜索中容易“迷路”，而TaS通过动态表格清晰追踪每一步进展和剩余目标。实验证明，采用TaS框架后，即使使用成本较低的语言模型，其效果也能超越使用更强模型但结构松散的传统系统。尤其在处理深度、广度及混合型复杂搜索任务时，TaS在保持高精确度的同时，能大幅提升信息覆盖的完整性。

Q3：TaS框架主要适用于哪些场景？
A：TaS框架具有广泛的适用性，能统一处理三类核心搜索任务：1）深度搜索（寻找满足多重严格条件的特定对象）；2）广度搜索（大规模收集某一类别对象的基础信息）；3）深广结合搜索（同时需要广泛发现和深度探查）。它特别适用于商业尽职调查、市场拓展寻源、学术研究资料收集、竞品分析等需要系统化、多维度信息检索与整合的复杂场景。