Can Agents Win the Video Browser Showdown?
智能体能否赢得视频浏览器挑战赛
🧭 Agent 自主交互式视频检索
University of Konstanz · Charles University
用VLM智能体自主操控交互式视频检索系统，从初始意图描述出发完成多轮搜索，性能比肩历史专家操作水平
📌 工作参考价值（4 点）
- 把现有检索/推荐系统包装成工具接口，让 LLM/VLM 智能体通过 API 控制查询、翻页、过滤等操作，能快速构建自主搜索或评估流程，无需让模型预知全量候选集。
- 智能体只分析 top-k 结果（如图像/视频关键帧）并决策下一步动作，避免对全库做昂贵推理，在电商图片/视频商品检索中可直接复用这种「索引+小窗口 VLM 判断」模式。
- 用模糊初始意图描述驱动多轮交互式检索，可作为电商搜索中长尾 query 或图片找同款场景的自动化补充，降低用户反复试错成本。
- 评估方式可借鉴 VBS 的任务完成率与交互轮数指标，用于量化推荐/搜索系统在智能体操作下的实际可用性，而不仅是离线排序指标。