Fetch-then-Explore: Decoupling Selection from Extraction over a Persistent Workspace for Search Agents
先取后探：解耦搜索代理的选择与提取，基于持久工作区
🧭 Agent 文档访问接口设计 ★ 深度解读
Renmin University of China · Xiaohongshu Inc. · National University of Singapore
将文档选择与证据提取解耦到文件系统工作区，搜索代理可反复回查已选页面，准确率大幅领先传统浏览接口
📌 工作参考价值（4 点）
- 工具集分离思想可迁移至推荐 Agent 的知识检索：在商品知识库问答或素材库检索中，可将“检索候选”与“提取证据”分成两个独立工具（如 fetch 与 grep/read），避免一次性将整个商品描述塞入上下文，减少 token 消耗且允许事后反复查阅。
- 文件系统工作区（Cache）模式可用于电商任务的多轮 Agent：对于需要多次查阅商品详情、用户评价、活动规则的场景，可让 Agent 在对话开始时 pull 一批候选页面到本地缓存，后续用 grep 按需检索具体字段，避免反复调用远程接口并保持状态稳定，适用于库存查询、竞品分析等长链任务。
- 持久化与跨文档联合查询的设计可提升召回证据完整性：在推荐或搜索聚合场景，可将多个候选商品的标题/属性/评价预先 fetch 到缓存，后续用正则表达式跨文件查询，避免漏掉关键信息（如同时搜索多个商品中是否包含某个成分），适合合规审核、特征比对。
- 轻量缓存选择（仅返回 header）能显著降低上下文占用且不损失信息：在实际推荐解释或商品比较 Agent 中，可借鉴只返回文件路径和长度的思想，让 LLM 先“记住”有哪些可用素材而不将其全部内容压入 prompt，需要时再用 read 工具按行读取，平衡上下文窗口压力与信息完整度。