Unverified50% confidenceTradeoffExact time
更窄的搜索空间牺牲智能体创造性以换取每次改进的可归因性，更宽的搜索空间可能发现更好方案但难以说清什么起了作用
1
Sources
50%
Confidence
Long-term
Relevance
9/11/2026
First Seen
Sources
Related Entities
Related Claims
UnverifiedAgentic Search 在中小规模、结构清晰的代码库表现更好，超大规模复杂场景尚无定论73% similarUnverified工具触发判断太保守会漏掉必要搜索，太激进会导致每个简单问题都触发不必要检索浪费资源、拖慢速度73% similarUnverified对于状态空间小、最优解可完全求解的问题，监督分类学习绕开了强化学习中复杂的奖励设计和探索问题，是更经济的选择72% similarUnverified自动化研究智能体与传统超参数搜索或神经架构搜索不同，能够提出全新的模型结构假设而非仅在预定义搜索空间中优化67% similarUnverified当 Skill 数量膨胀到一定程度，Skill 路由从简单的选择问题演变为检索问题67% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/909782API
curl https://kongchang.com/api/v1/knowledge/claims/909782MCP
get_claim(id=909782)