TinyFish拆解智能体搜索架构：7阶段生产级设计

智能体搜索（Agentic Search）正在从研究原型走向生产系统，但如何让AI代理在真实环境中稳定地检索、推理并交付可用的结果，仍是工程上的难题。TinyFish近日发布了两篇工程研究文章，分别从生产架构与深度研究系统两个角度，拆解了其智能体搜索方案的设计取舍。

7阶段生产架构与证据契约

据TinyFish第一篇文章，其生产级智能体搜索架构被划分为7个阶段，核心机制是「证据契约」（evidence contracts）与「有界重试」（bounded retries）。证据契约要求代理在每个阶段产出可验证的证据，而非仅给出结论；有界重试则对检索失败的恢复次数设置上限，避免代理在无效路径上无限循环。

这套设计回应了智能体搜索落地时的两个典型风险：一是代理输出缺乏可追溯依据，二是错误累积导致任务失控。将证据与重试边界写入架构，意味着系统在工程层面约束了代理行为，而不是依赖提示词的软性引导。

智能体搜索（Agentic Search） 指由具备推理与工具调用能力的 LLM 代理自主驱动检索过程的搜索范式，区别于传统的关键词匹配或向量召回：代理会自行决定查询如何改写、调用哪些工具（网页抓取、API、数据库）、何时停止以及如何根据中间结果调整下一步行动。它通常涉及多轮「思考—行动—观察」循环，因而对延迟、成本与错误累积的控制要求远高于单轮检索。生产环境中的主要挑战包括：工具调用失败或结果为空时的恢复策略、长链路任务中的上下文管理，以及如何让最终输出可审计、可复现。TinyFish 的 7 阶段架构正是针对这些工程约束，把一次搜索任务拆成边界清晰的流水线阶段，使每一环的输入输出都可被监控与验证。

有界重试（Bounded Retries） 是分布式系统与代理工程中的常见可靠性模式：对可能失败的操作（此处指检索、网页抓取、工具调用）设定明确的恢复次数或预算上限，一旦触达阈值就转入降级路径或直接终止，而不是无限循环。它与简单的「重试直到成功」不同，关键在于把重试次数的预算显式建模并纳入系统状态，从而让失败可预测、成本可控。在智能体搜索中，有界重试还需与错误分类结合——瞬时性错误（超时、限流）值得重试，而语义性失败（查询无结果、页面不相关）重试往往无效，需要改用查询改写或更换数据源。TinyFish 将有界重试写入架构层，实质是用工程约束替代提示词层面的软性劝告，防止代理在错误路径上消耗大量 token 与时间。

深度研究系统放弃独立规划器

另一篇文章解释了TinyFish深度研究系统的一项反直觉决策：放弃独立的规划器（planner）和按查询拆分的子代理（per-query subagents）。

传统做法中，规划器负责拆解任务，子代理分别处理每个查询，最后由系统汇总。TinyFish的工程团队发现，这种分层结构在深度研究场景下会带来协调开销与信息损耗。移除独立规划器后，系统将规划能力内化到主代理的推理过程中，减少了组件间的交接成本。

这一取舍说明，智能体架构的复杂度并非越高越好。当模型本身具备足够的推理与工具调用能力时，过度拆分的多代理结构可能反而成为负担。

规划器（Planner） 是多代理（multi-agent）系统中的经典组件，通常由一个专门的 LLM 实例承担任务分解职责：把用户的高层问题拆成子问题或子任务，再分派给执行代理，最后汇总结果。这种模式源自 ReAct、Plan-and-Execute 等代理框架，优点是职责分离、子任务可并行。但其代价也很明显——规划器与执行代理之间需要传递中间状态，每层交接都可能丢失上下文或引入误解；同时规划器本身可能基于不完整信息做出过早的硬性拆分，后续难以回退。按查询拆分的子代理（per-query subagents） 则进一步把每个子查询交给独立代理处理，各自维护上下文，汇总时容易出现信息碎片化与重复检索。TinyFish 放弃这一结构，实质是让主代理在单一线程内动态生成与调整子查询，使规划与执行共享同一份上下文，减少交接损耗。

对生产级AI代理的启示

两篇文章共同指向一个趋势：智能体搜索的竞争点正在从「能不能做」转向「能不能稳定地做」。证据契约、有界重试、精简代理拓扑，都是围绕可靠性与可运维性的工程手段。

对于构建生产AI代理的团队，TinyFish的实践提供了可参考的设计原则：用架构约束代理行为，用证据链支撑输出可信度，并在多代理拆分上保持克制。这些经验能否推广到更广泛的搜索与研究工作流，仍需更多落地案例验证。

可运维性（Operability） 指系统在生产环境中被观测、诊断、调试与迭代的能力，对 AI 代理而言还包括追踪每次决策的依据、复现失败任务的输入输出、以及在不重新训练模型的前提下调整行为。它通常要求系统具备结构化日志、逐阶段的 trace 记录与可回放的执行链路。智能体搜索之所以把可靠性视为比「能不能做」更核心的指标，正是因为非确定性代理一旦出错，若缺乏可观测的中间证据，排查成本极高。证据契约在某种程度上也是一种可运维性设计：每个阶段产出的证据既是输出可信度的支撑，也是事后审计与回归测试的素材。