# 需求图

该工作把智能体的主动性拆成“内容”这一新维度——横向主动性指追问当前上下文已点明但用户未说的信息，纵向主动性指追问只有先前证据才揭示的需求——用从多跳问答基准自带分解中机械恢复的“需求图”在无模型裁判的情况下给运行打分，并提出 Q&D（提问者与起草者）算法：在记录运行的某一步分叉、采样八个候选问题并各自续跑到结束，按“是否答对、是否更早凑齐全部必需证据、每轮新增多少证据”排序来偏好问题，从而无需奖励模型或裁判即可训练提问者；在 MuSiQue、StrategyQA、2WikiMultiHopQA 三个留出测试集上，等检索开销下训练后的 8B 提问者比同模型提示版恢复更多必需证据（MuSiQue 89.5%

该工作把智能体的主动性拆成“内容”这一新维度——横向主动性指追问当前上下文已点明但用户未说的信息，纵向主动性指追问只有先前证据才揭示的需求——用从多跳问答基准自带分解中机械恢复的“需求图”在无模型裁判的情况下给运行打分，并提出 Q&D（提问者与起草者）算法：在记录运行的某一步分叉、采样八个候选问题并各自续跑到结束，按“是否答对、是否更早凑齐全部必需证据、每轮新增多少证据”排序来偏好问题，从而无需奖励模型或裁判即可训练提问者；在 MuSiQue、StrategyQA、2WikiMultiHopQA 三个留出测试集上，等检索开销下训练后的 8B 提问者比同模型提示版恢复更多必需证据（MuSiQue 89.5%

该工作提出 ANTMAN，一个以“尚未解决的信息需求”而非输入分区作为运行时协调单位的多智能体信息检索框架，它维护可修订的 Need Graph 来跟踪未解决需求、已积累证据、既往尝试与搜索进度，并据此控制 worker 选择、路由与任务内恢复；在多文档问答、受控长上下文扩展与结构化导航三类实验中，ANTMAN 在搜索空间扩大 16 倍时活跃协调仅增加 1.23 倍（分区驱动基线超过 15 倍），同时保持较强答案质量，并在把执行交给更小的 8B worker 模型时仍保留大部分性能。

该工作提出 ANTMAN，一个以“尚未解决的信息需求”而非输入分区作为运行时协调单位的多智能体信息检索框架，它维护可修订的 Need Graph 来跟踪未解决需求、已积累证据、既往尝试与搜索进度，并据此控制 worker 选择、路由与任务内恢复；在多文档问答、受控长上下文扩展与结构化导航三类实验中，ANTMAN 在搜索空间扩大 16 倍时活跃协调仅增加 1.23 倍（分区驱动基线超过 15 倍），同时保持较强答案质量，并在把执行交给更小的 8B worker 模型时仍保留大部分性能。