أحدثت نماذج اللغة الكبرى (LLMs) تطوراً ملحوظًا في كيفية إجراء عمليات البحث على الويب، حيث انتقلت من تصنيف الوثائق إلى صياغة إجابات مستندة إلى معرفتها. تتزايد شعبية هذه النماذج كأنظمة بحث ذكية تعمل بشكل مستقل، حيث تقوم بالتفاعل بشكل دوري مع مصادر المعرفة الخارجية. لكن لا تزال هناك تحديات كبيرة في بناء وكلاء بحث فعالين، بسبب صعوبة إنتاج خطوات بحث عالية الجودة.

تعتمد الأساليب التقليدية في هذا المجال على الإشراف الناتج، حيث يتم تحفيز الوكلاء فقط لإنتاج إجابات صحيحة نهائية. هذه الاستراتيجية قد تؤدي في كثير من الأحيان إلى مشاكل مثل "تلاعب المكافآت" ولجوء الوكلاء إلى ذاكرة معتمدة على المعلمات بشكل مفرط، مما يحد من قدرتهم على التعميم في مهام غير مألوفة.

لذلك، تم تقديم إطار العمل RAG-Gym الذي يركز على الإشراف على عملية البحث نفسها بدلاً من الإجابات النهائية فقط. يسعى هذا الإطار إلى دراسة تصميم الهيكل، وتحسين المعلمات، وتقييم الإجراءات بشكل منظم، حيث تم تحديد أهمية "التأمل في التفكير" كقدرة حساسة لوكلاء البحث.

استنادًا إلى هذه الرؤية، تم تقديم نموذج Re²Search++، وهو وكيل معتمد على الإشراف على العملية، والذي يحقق تحسينات كبيرة في معايير البحث متعدد الخطوات، وخاصة في الإعدادات غير المعتادة. تعتمد مكاسب الأداء بشكل رئيسي على جودة استعلامات البحث بدلاً من مجرد تحسين الإجابات. كما أن النقاط المرجعية المستفادة من البحث تنتقل عبر النماذج، بما في ذلك النماذج الكبرى المحمية.

تشير نتائج هذه الأبحاث إلى أن الإشراف على عملية البحث يمكن أن يُنتج وكلاء بحث أكثر موثوقية وقابلية للتعميم.