需要搜索时搜索，可靠时继续：面向高效智能搜索的元认知可靠性监督
🧭 Agentic RAG 搜索决策强化学习 ★ 深度解读
Beijing Institute of Technology
用局部结论的序列不确定性估计可靠性，为搜索/不搜索决策构建过程奖励，在 GRPO 中提升搜索效率与准确率
📌 工作参考价值（4 点）
- 将局部结论的 sequence uncertainty 作为可靠性信号，可用于对话推荐/购物助手中判断模型对中间结论的自信程度，决定是否调用商品知识库、搜索或 RAG；无需额外标注，推理时零开销。
- 对“搜索/不搜索”决策分别设计 process reward：不搜索时奖励高于校准阈值的可靠性，搜索时奖励检索前后可靠性的增量，而非只看最终答案是否正确；这能直接迁移到 Agent 工具调用策略的强化学习训练。
- 用 matched probes 估计 counterfactual reliability change，可推广到其他工具调用：固定同一状态，比较有/无工具返回结果的可靠性差异，作为工具价值的无偏监督。
- 实验结果提供可复用结论：该策略在 single-hop 查询上减少约 20.9% 搜索调用，multi-hop 上增加 6.6%，说明可按问题复杂度动态分配检索/工具调用，适合电商搜索中查询类型分流的成本优化。
SelfSearch：自改进 Agent 的无奖励搜索
🧭 Agent 自我改进 · 无奖励搜索 ★ 深度解读
Graduate School of Data Science, Seoul National University
用历史自我改进轨迹取代下游评估信号，驱动 Agent 自我修改并提升任务成功率与执行效率
📌 工作参考价值（4 点）
- 可将业务 Agent（如广告文案、query 改写、选品分析）历次自我修改的 reasoning、工具调用、失败与代码变更沉淀为可检索经验库；在没有线上收益或频繁 A/B 的情况下，先低成本迭代 scaffolding，再少量验证。
- 工程上把 runtime 与可编辑 agent repository 分离，固定推理设置、资源预算和轨迹记录，适合电商/广告场景中安全地让 agent 修改工具和规划器，保证可回滚。
- 借鉴双 lineage + 共享 episode records：capability 方向专注新增可复用工具，adaptive 方向专注失败恢复，避免单一改进路径过拟合，对工作流自动演化尤其有用。
- 优先建设“面向自我调试的可复用工具”，如带输出上限的 text search、line-range file viewing、call/result 关联；这些工具既能提升任务解决，也会在后续自改进中被复用。
思考之前的思考：用元推理扩展智能体推理规模
🧭 Agent 元推理控制与 artifact graph ★ 深度解读
Meta Superintelligence Labs
将 Agent 的控制决策与目标级计算分离，用显式元推理管理 artifact 图、预算和 worker 调度，提升长程任务性能并随预算持续扩展
📌 工作参考价值（4 点）
- 把“控制”与“执行”拆开：在电商推荐/搜索的 Agent 流程中，不要让每个动作都携带完整历史；用轻量 controller state + 可检索 artifact memory，worker 只接收必要 context，能显著降低长上下文信息丢失，提高多步决策稳定性。
- 用 artifact graph 做系统诊断：记录每个中间候选/策略的依赖关系，将失败分解为 coverage（是否产生过正确结果）和 selection（是否选中），类似论文中的覆盖率和 frontier 选择增益，快速定位是召回/生成不足还是最终排序/选择错误。
- 做预算感知的元推理：在线上低延迟场景可以设置 model-call 预算，由 Evaluate 阶段判断剩余预算下每个候选动作的计算价值，小预算时自动关闭深层次控制；论文中低预算 crossover 现象说明元推理 overhead 对简单任务可能有害。
- 引入独立 controller verdict，而非只依赖 worker 自我置信：在推荐 Agent 中对生成结果做独立评估和打分，其排序信号往往比生成模型自报置信度更可靠，可用于最终候选选择。