刻画对话式 LLM Agent 的网络搜索：从搜索决策、策略到结果与回答

一篇 arXiv 论文首次系统研究对话式 LLM Agent 的网络搜索全流程，覆盖 ChatGPT、Claude、Grok 和 DeepSeek 四个平台，结合真实用户交互与同一平台 API 的受控实验。研究发现：是否调用搜索在不同平台和模型间差异明显，更频繁搜索未必带来更好回答；各平台使用的查询策略不同，其搜索引擎倾向返回自家偏好域名；回答虽大体基于搜索结果，但部分论断引用了未被标注的来源。

此前对 Agent 搜索的讨论多停留在单平台体验或功能对比，缺少跨平台、同时覆盖真实使用与受控实验的端到端证据。该研究把“何时搜、怎么搜、搜到什么、如何写进回答”拆成四段可测量环节，并指出高频搜索不等于高质量回答、未标注来源仍然存在，为评估和优化对话式检索提供了可复用的分析框架。

对话 Agent 的搜索行为由平台提示、模型策略与背后搜索引擎共同决定：模型先判断是否需要外部信息，再把问题改写成查询，搜索引擎按自身索引与排序偏好返回结果，模型最终筛选并改写成回答。这一链条中每一环都有平台差异，且引用与生成并非严格绑定，导致搜索调用频率、结果来源分布与回答可归因性之间出现错位。

对做对话式产品与 Agent 的团队而言，不能只用“是否触发搜索”衡量效果，需要分别监控搜索决策准确率、查询改写质量、结果域名分布和引用覆盖率。评估集应区分模型与搜索引擎两层变量，避免把平台差异误判为模型能力差异；面向合规与可信场景的产品还需为未标注来源的论断补上引用或校验环节。

• 在 Agent 评测中加入“搜索决策—查询策略—结果来源—引用覆盖”四段埋点，输出可比指标而非单一搜索率。
• 为对话产品提供来源域名分布看板，识别平台搜索引擎的偏好是否影响答案中立性。
• 开发引用校验中间件，对未被标注却支撑论断的搜索结果自动补引用或标记。
• 面向企业检索场景，把查询改写策略做成可配置项，按领域数据测试不同策略的回答质量。

• 该研究的具体样本量、时间窗口与实验设计细节尚未在证据中给出。
• 四个平台的差异有多少来自模型本身、多少来自背后搜索引擎，证据未做分离。
• 未标注来源的论断比例及其对用户信任的实际影响未被量化。
• 更高搜索频率与回答质量之间是否存在非线性关系或最优阈值，尚不明确。