引言：PaSa 智能體的誕生

2025 年被譽為 Agent 元年，這一年，學術研究的方式迎來了一場革命。ByteDance Research 推出了一款基於強化學習的智能體應用–PaSa 智能體，這一創新工具的出現，為學術界帶來了前所未有的便利。PaSa 智能體能夠模仿人類研究者的行為，迅速完成繁瑣的論文調研工作，僅需兩分鐘即可完成一項詳細的學術調研。這一突破性技術的誕生，無疑將改變學術研究的未來。

PaSa 智能體的設計初衷是為了解決研究者在尋找相關學術論文時所面臨的困難。傳統的學術調研過程往往耗時且繁瑣，研究者需要花費大量時間在搜索引擎上查找資料，並逐一閱讀和篩選相關文獻。PaSa 智能體的出現，讓這一過程變得更加高效和精確。研究者只需輸入關注的學術問題，PaSa 即可自動調用搜索引擎，瀏覽相關論文並追蹤引文網絡，為用戶呈現所有相關的學術論文。

Source: 2分钟完成论文调研！ByteDance Research推出论文检索智能体PaSa，远超主流检索工具

PaSa 智能體的誕生不僅僅是技術上的突破，更是學術研究方式的一次革新。它的出現，讓研究者能夠將更多的時間和精力投入到創新和發現中，而不是被繁瑣的資料收集工作所束縛。這一工具的推出，無疑將成為學術界不可或缺的助手，為未來的研究提供強有力的支持。

在接下來的內容中，我們將深入探討 PaSa 智能體的核心功能與技術優勢，並比較其與其他主流檢索工具的性能差異。通過這些分析，我們將更清晰地了解 PaSa 如何在學術檢索中脫穎而出，並對學術界產生深遠的影響。

PaSa 的核心功能與技術優勢

PaSa 智能體的核心功能和技術優勢在於其獨特的雙代理架構：Crawler 和 Selector。這兩個代理的協同工作，使得 PaSa 在學術檢索中展現出卓越的性能，超越了傳統的檢索工具如 Google 和 Google Scholar。

Crawler：擴展檢索的前線

Crawler 是 PaSa 智能體的前線代理，負責自主調用搜索工具，並不斷擴展參考文獻網絡。這一過程中，Crawler 能夠生成多樣且互補的搜索詞，進行多次搜索，從而最大化相關論文的召回率。這種設計使得 Crawler 能夠在多步擴展引文網絡後，發現許多與用戶 Query 相關的論文，即使中間的文獻並不直接與用戶需求匹配。

Source: PaSa 框架：Crawler 的設計旨在最大化相關論文的召回率

這種高效的檢索能力，使得 Crawler 在學術檢索中能夠快速定位大量相關文獻，為後續的 Selector 提供豐富的資料來源。

Selector：精確篩選的後盾

Selector 是 PaSa 智能體的後盾，負責精讀 Crawler 找到的每一篇論文，並決定其是否滿足用戶的需求。Selector 的設計強調精確性，通過模仿學習進行訓練，生成 Decision Token 來決定論文的相關性。這一過程中，Token Probability 也可以作為相關性分數，用於最終結果的排序。

Source: Selector 的設計強調精確性

Selector 的精確篩選能力，確保了用戶獲得的每一篇論文都高度相關，從而提升了學術檢索的精確度和效率。

技術優勢：超越傳統檢索工具

在學術 Query 測試集中，PaSa-7b 在 Recall@20 和 Recall@50 上分別提升了 37.78% 和 39.90%，顯著超越 Google。這些數據顯示出 PaSa 在學術檢索中的強大優勢，尤其是在召回率和精確度方面的提升。

工具	Recall@20	Recall@50
Google	62.22%	60.10%
PaSa-7b	100%	100%

這種技術優勢不僅體現在數據上，更在於 PaSa 能夠自主高效地完成學術調研，為研究者節省大量時間和精力。

結論

PaSa 智能體的核心功能和技術優勢，為學術檢索帶來了革命性的變革。其高效的檢索能力和精確的結果篩選，將大幅提升研究者的工作效率。未來，PaSa 有望成為學術界不可或缺的工具，為研究者提供強有力的支持。讀者可前往 PaSa 的 官方網站 了解更多資訊。

PaSa 與主流檢索工具的比較

在學術研究的領域中，檢索工具的選擇對於研究效率和結果的準確性至關重要。隨著 PaSa 智能體的推出，學術檢索的格局正在發生顯著變化。本文將深入探討 PaSa 與其他主流檢索工具的比較，並分析其在學術檢索中的優勢。

PaSa 的卓越性能

PaSa 智能體的設計初衷是為了提升學術檢索的效率和準確性。根據測試數據，PaSa-7b 在學術 Query 測試集中，Recall@20 和 Recall@50 的表現分別提升了 37.78% 和 39.90%，這一成績顯著超越了 Google 等主流檢索工具。

工具	Recall@20	Recall@50
Google	62.22%	60.10%
PaSa-7b	100%	100%

這些數據顯示出 PaSa 在學術檢索中的強大優勢，尤其是在召回率和精確度方面的提升。這種技術優勢不僅體現在數據上，更在於 PaSa 能夠自主高效地完成學術調研，為研究者節省大量時間和精力。

Crawler 和 Selector 的協同作用

PaSa 的核心在於其雙代理架構：Crawler 和 Selector。Crawler 負責擴展檢索的前線，通過生成多樣且互補的搜索詞，進行多次搜索，從而最大化相關論文的召回率。這種設計使得 Crawler 能夠在多步擴展引文網絡後，發現許多與用戶 Query 相關的論文，即使中間的文獻並不直接與用戶需求匹配。

Source: PaSa 框架：Crawler 的設計旨在最大化相關論文的召回率

Selector 則負責精讀 Crawler 找到的每一篇論文，並決定其是否滿足用戶的需求。Selector 的設計強調精確性，通過模仿學習進行訓練，生成 Decision Token 來決定論文的相關性。這一過程中，Token Probability 也可以作為相關性分數，用於最終結果的排序。

Source: Selector 的設計強調精確性

這種協同作用確保了用戶獲得的每一篇論文都高度相關，從而提升了學術檢索的精確度和效率。

與其他工具的比較

在學術檢索中，PaSa 不僅在召回率上超越了 Google，還在精確度上取得了顯著的提升。這得益於其獨特的雙代理架構和強化學習訓練方法。與基於 Prompt Engineering 的 PaSa-GPT-4o 相比，PaSa-7b 在召回率上提升了 30.36%，精確率上提升了 4.25%。

這些數據不僅顯示了 PaSa 的技術優勢，也表明了其在學術檢索中的潛力。未來，隨著技術的進一步發展，PaSa 有望成為學術界不可或缺的工具，為研究者提供強有力的支持。

結論

PaSa 智能體的出現為學術搜索帶來了全新的可能性。其高效的檢索能力和精確的結果篩選，將大幅提升研究者的工作效率。未來，PaSa 有望成為學術界不可或缺的工具。讀者可前往 PaSa 的 官方網站 了解更多資訊。

在這個不斷變化的數字時代，PaSa 的出現無疑為學術研究帶來了新的契機。隨著技術的不斷進步，PaSa 將繼續引領學術檢索的未來。

PaSa 的訓練與優化

在學術研究的領域中，PaSa 智能體的訓練與優化過程是其卓越性能的基石。這一過程不僅涉及高質量數據集的構建，還包括創新的強化學習技術的應用。本文將深入探討 PaSa 的訓練方法及其技術優勢，並分析其在學術檢索中的應用潛力。

高質量數據集的構建

PaSa 的訓練基於一個名為 AutoScholarQuery 的高質量學術細粒度 Query 數據集。該數據集通過收集人工智能領域的頂會論文，並基於每篇論文中“Related Work”部分的描述及其引用的相關文獻，生成學術問題和對應的相關論文列表。最終，數據集包含了 36k 條數據，每條數據包含一個 AI 領域的學術問題及相關論文。

Source: AutoScholarQuery 中的數據示例

這一數據集的構建為 PaSa 的強化學習訓練提供了堅實的基礎，儘管缺乏人類科學家發現論文的軌跡數據，但仍能支持 PaSa 智能體的有效訓練。

強化學習技術的應用

在 PaSa 的訓練過程中，研究團隊面臨兩個主要挑戰：獎勵稀疏性和過長的行動軌跡。為了解決這些問題，研究團隊引入了 Selector 作為輔助獎勵模型，顯著提升了優化效果。此外，Crawler 在一次執行中可能收集到上百篇文章，導致完整的行動軌跡過長，無法完全輸入到 LLM 的上下文中。為此，團隊提出了一種全新的 session-level PPO 算法，解決這一問題。

Selector 主要通過模仿學習進行訓練。Selector 會先生成一個 Decision Token，決定論文是否符合用戶 Query 的需要。同時，Token Probability 也可以作為相關性分數用於最終結果的排序。在 Decision Token 後，Selector 還會輸出決策依據。

Source: Selector 的設計強調精確性

這些技術的應用不僅提升了 PaSa 的檢索效率和精確性，還使其在學術檢索中展現出強大的潛力。

實驗結果與未來展望

為了驗證 PaSa 在真實學術搜索場景中的表現，研究團隊開發了一個評測集–RealScholarQuery。該數據集包含了 AI 研究者提出的真實學術問題，並為每個問題人工構建了對應的相關論文列表。研究團隊在 AutoScholarQuery-test 和 RealScholarQuery 兩個評測集上，全面對比了 PaSa 與基線模型的表現。

在 AutoScholarQuery 測試集上，PaSa-7b 的效果優於其他所有的基線模型。與最強的基線 PaSa-GPT-4o 相比，在準確率相當的情況下，PaSa-7b 的召回率提高了 9.64%，Crawler 召回率提高了 3.66%。和 Google 搜索的最好結果相比，Recall@20，Recall@50 和 Recall@100 分別提升了 33.80%，38.83% 和 42.64%。

在更接近真實的 RealScholarQuery 上，PaSa-7b 的提升更加明顯。與 PaSa-GPT-4o 相比，PaSa-7b 的召回率提高了 30.36%，精確率提高了 4.25%。Google 搜索的最好結果相比，Recall@20，Recall@50 和 Recall@100 分別提升了 37.78%，39.90% 和 39.83%。

這些結果顯示出 PaSa 在學術檢索中的強大潛力，未來隨著技術的進一步發展，PaSa 有望成為學術界不可或缺的工具，為研究者提供強有力的支持。

結論

PaSa 智能體的訓練與優化過程展示了其在學術檢索中的卓越性能。通過高質量數據集的構建和創新的強化學習技術，PaSa 不僅提升了檢索效率和精確性，還為學術研究帶來了全新的可能性。未來，PaSa 將繼續引領學術檢索的發展，成為研究者不可或缺的助手。讀者可前往 PaSa 的 官方網站 了解更多資訊。

結論：PaSa 的未來展望

PaSa 智能體的出現，無疑為學術研究帶來了革命性的變革。其高效的檢索能力和精確的結果篩選，讓研究者能夠在短時間內獲得所需的學術資源，從而大幅提升工作效率。隨著技術的進一步發展，PaSa 有望成為學術界不可或缺的工具，為研究者提供強有力的支持。

未來的發展方向

PaSa 的未來發展將集中在進一步提升其檢索精度和效率。研究團隊計劃通過不斷優化強化學習算法，提升 Crawler 和 Selector 的協作能力，從而在更短的時間內提供更精確的檢索結果。此外，PaSa 還將探索更多學科領域的應用，擴大其在學術界的影響力。

Source: 2分鐘完成論文調研！ByteDance Research推出論文檢索智能體PaSa，遠超主流檢索工具

行動導向的建議

對於學術研究者而言，PaSa 的出現意味著可以將更多的時間和精力投入到創新和實驗中，而非繁瑣的文獻調研。研究者應積極嘗試使用 PaSa 進行學術檢索，並將其作為日常研究工作的重要工具。此外，研究團隊也鼓勵用戶提供反饋，以便不斷改進和優化 PaSa 的功能。

結語

總結來說，PaSa 智能體的誕生為學術界帶來了全新的可能性。其在檢索效率和精確性上的優勢，使其成為研究者不可或缺的助手。未來，隨著技術的進一步發展，PaSa 將繼續引領學術檢索的潮流，為研究者提供更為強大的支持。讀者可前往 PaSa 的 官方網站 了解更多資訊。

這些進步不僅展示了 PaSa 在學術檢索中的潛力，也為未來的研究提供了新的方向和思路。隨著 PaSa 的不斷發展，我們期待它能夠在更多的學術領域中發揮作用，成為研究者的得力助手。