**IterSynth：用角色解耦的迭代合成重构深度搜索智能体**

_IterSynth: Rethinking Deep Search Agents via Role-Decoupled Iterative Synthesis_

> 现有 ReAct 式深度搜索智能体存在两大问题：单一策略同时承担规划、证据使用与答案合成导致角色耦合，以及不断增长的搜索历史带来上下文噪声。为此，论文提出 IterSynth，一种角色解耦、基于摘要的范式，让 Planner 负责识别信息需求、Synthesizer 负责将证据整合进持续演化的摘要状态，从而分离规划与合成、降低上下文噪声。训练上提出角色解耦策略优化（RDPO），将终端结果奖励与轮级评分结合，并按角色计算优势以精确分配信用。在 BrowseComp、Xbench-DS 等五个长程深度搜索基准上，IterSynth-8B 平均得分 50.7，超过此前最强 ≤8B 智能体 4.2%。该范式还可作为模型无关的提示方法，在闭源前沿模型上相较 ReAct 等提示范式带来显著零样本提升。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-25 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.29444)