引言：學術研究的挑戰與機遇

在學術研究的領域中，研究者們常常面臨著龐大的信息量和繁瑣的資料檢索過程。隨著科技的進步，學術界對於高效檢索工具的需求日益增加。2025 年，被譽為 Agent 元年的開端，ByteDance Research 推出了一款基於強化學習的智能體應用：PaSa 論文檢索智能體。這款工具的出現，為學術研究者提供了一個全新的解決方案，旨在模仿人類研究者的行為，從而大幅縮短繁瑣的論文調研過程。

學術研究的挑戰

在學術研究中，研究者經常需要花費大量時間和精力來尋找相關的學術論文。這不僅包括查找特定主題的文獻，還涉及到追蹤引用文獻網絡，以確保研究的全面性和深度。這一過程往往耗時且容易出現遺漏，特別是在面對龐大的數據庫和不斷更新的研究成果時。

機遇與解決方案

PaSa 的出現，正是為了解決這一痛點。這款智能體能夠自動調用搜索引擎，快速瀏覽相關論文，並追蹤引文網絡，為用戶提供精確且全面的學術資料。這不僅提高了檢索效率，還能支持細粒度的查詢，滿足科研人員的多樣需求。

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

未來的展望

隨著 PaSa 的推出，學術研究者們將能夠更高效地進行資料調研，從而將更多的時間和精力投入到創新和發現中。未來，PaSa 有望進一步優化，成為科研人員不可或缺的助手。這場學術檢索的革新，將為學術界帶來前所未有的機遇和挑戰。

在接下來的內容中，我們將深入探討 PaSa 的核心技術與優勢，並分析其在學術檢索中的實際應用效果。

PaSa 的核心技術與優勢

在學術研究的領域中，PaSa 智能體的出現無疑是一項革命性的創新。這款工具的核心技術由兩個大型語言模型代理（LLM Agents）組成：Crawler 和 Selector。這兩個代理的協同工作，使得 PaSa 能夠在學術論文檢索中展現出卓越的性能。

Crawler：最大化召回率的關鍵

Crawler 是 PaSa 的第一道防線，負責自主調用搜索工具，閱讀論文並擴展參考文獻。這一過程中，Crawler 的設計目標是最大化相關論文的召回率。它能夠生成多樣且互補的搜索詞，執行多次搜索，並評估其行為的長期價值。例如，在多步擴展引文網絡後，Crawler 能夠發現許多與用戶查詢相關的論文，即使路徑中的中間論文並不直接與用戶需求匹配。

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

Selector：精確篩選的保障

Selector 是 PaSa 的第二道防線，負責精讀 Crawler 找到的每一篇論文，確保其符合用戶需求。Selector 通過模仿學習進行訓練，會先生成一個 Decision Token，決定論文是否符合用戶查詢的需要。這一過程不僅提高了檢索的精確性，還能夠提供相關性分數，用於最終結果的排序。

技術優勢與實際應用

PaSa 的這種雙代理設計，使其在學術 Query 測試集上，與 Google 等主流檢索工具相比，Recall@20 和 Recall@50 分別提升了 37.78% 和 39.90%。這樣的提升不僅體現在數據上，更在於其能夠支持細粒度的查詢，滿足科研人員的多樣需求。

工具	Recall@20	Recall@50	Recall@100
Google	33.80%	38.83%	42.64%
PaSa-7b	37.78%	39.90%	39.83%
PaSa-7b-ensemble	41.30%	43.34%	44.15%

這樣的數據表現，顯示出 PaSa 在學術檢索中的強大潛力。未來，隨著技術的進一步優化，PaSa 有望成為科研人員不可或缺的助手，為學術界帶來更多的創新和發現。

在接下來的內容中，我們將深入探討 PaSa 的訓練與優化過程，並分析其在學術檢索中的實際應用效果。

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成功的關鍵。這一過程不僅涉及到高質量數據集的構建，還包括克服訓練中的多重挑戰，以提升智能體的檢索能力和精確性。

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。該數據集包含 36,000 條數據，每條數據都由一個 AI 領域的學術問題及其相關論文組成。這些數據是通過收集人工智能領域的頂會論文，並基於每篇論文中的“Related Work”部分及其引用的相關文獻生成的。這樣的數據集為 PaSa 的訓練提供了豐富的素材，支持其在學術檢索中的應用。

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

訓練過程中的挑戰與解決方案

在訓練 PaSa 的過程中，研究團隊面臨著獎勵稀疏性和過長的行動軌跡等挑戰。為了解決這些問題，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。

獎勵稀疏性問題

獎勵稀疏性是強化學習中的一個常見問題，特別是在學術檢索這樣的複雜任務中。為了應對這一挑戰，研究團隊設計了一個輔助獎勵模型–Selector。Selector 通過模仿學習進行訓練，能夠生成一個 Decision Token，決定論文是否符合用戶 Query 的需要。這不僅提高了檢索的精確性，還能夠提供相關性分數，用於最終結果的排序。

行動軌跡過長問題

在處理行動軌跡過長的問題時，研究團隊開發了一種 session-level PPO 算法。這種算法能夠有效地縮短行動軌跡，並確保所有重要信息都能被 LLM 處理。這一創新使得 PaSa 能夠在不損失信息的情況下，保持高效的檢索能力。

實驗結果與優化效果

在 AutoScholarQuery 測試集上，PaSa-7b 的效果優於所有基線模型。與最強的基線 PaSa-GPT-4o 相比，PaSa-7b 的召回率提高了 9.64%。在更接近真實的 RealScholarQuery 上，PaSa-7b 的提升更加明顯，召回率提高了 30.36%。

工具	Recall@20	Recall@50	Recall@100
Google	33.80%	38.83%	42.64%
PaSa-7b	37.78%	39.90%	39.83%
PaSa-7b-ensemble	41.30%	43.34%	44.15%

這些數據顯示出 PaSa 在學術檢索中的強大潛力。未來，隨著技術的進一步優化，PaSa 有望成為科研人員不可或缺的助手，為學術界帶來更多的創新和發現。

在接下來的內容中，我們將深入探討 PaSa 的實驗結果與比較，並分析其在學術檢索中的實際應用效果。

實驗結果與比較

在學術檢索領域，PaSa 智能體的實驗結果顯示出其在提升檢索效率和準確性方面的顯著優勢。這一部分將深入探討 PaSa 在不同測試集上的表現，並與其他主流檢索工具進行比較。

PaSa 在 AutoScholarQuery 測試集上的表現

在 AutoScholarQuery 測試集上，PaSa-7b 的表現超越了所有基線模型。這一測試集包含了 36,000 條數據，涵蓋了人工智能領域的學術問題及其相關論文。PaSa-7b 的召回率在 Recall@20 和 Recall@50 上分別提高了 9.64% 和 3.66%，這表明 PaSa 在檢索相關文獻時能夠更有效地捕捉到用戶需求。

工具	Recall@20	Recall@50	Recall@100
Google	33.80%	38.83%	42.64%
PaSa-7b	37.78%	39.90%	39.83%
PaSa-7b-ensemble	41.30%	43.34%	44.15%

這些數據顯示出，PaSa-7b 不僅在召回率上優於 Google，還在精確性上有顯著提升。這得益於其獨特的 Crawler 和 Selector 設計，能夠在大量文獻中篩選出最符合用戶需求的論文。

PaSa 在 RealScholarQuery 上的優勢

在更接近真實場景的 RealScholarQuery 測試中，PaSa-7b 的表現更加突出。這一測試集由 AI 研究者提出的真實學術問題組成，並為每個問題人工構建了相關論文列表。PaSa-7b 的召回率提高了 30.36%，顯示出其在處理複雜學術查詢時的強大能力。

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

這一結果表明，PaSa 不僅能夠在理論測試中表現出色，還能在實際應用中提供更高效的檢索服務。其在 Recall@20、Recall@50 和 Recall@100 上的提升，進一步證明了其在學術檢索中的潛力。

與其他工具的比較

PaSa 的優勢不僅體現在數據上的提升，還在於其能夠提供更精細的查詢支持。與 Google、Google Scholar 等傳統檢索工具相比，PaSa 能夠更好地理解用戶的查詢意圖，並提供更相關的結果。

工具	Recall@20	Recall@50	Recall@100
Google	33.80%	38.83%	42.64%
PaSa-7b	37.78%	39.90%	39.83%
PaSa-7b-ensemble	41.30%	43.34%	44.15%

這些數據顯示出，PaSa 在學術檢索中的表現不僅超越了 Google，還在多次檢索結果的集成中進一步提高了召回率。這使得 PaSa 成為科研人員在進行學術調研時的一個強大工具。

結論

PaSa 智能體在學術檢索中的表現顯示出其在提升檢索效率和準確性方面的潛力。未來，隨著技術的進一步優化，PaSa 有望成為科研人員不可或缺的助手，為學術界帶來更多的創新和發現。這一工具不僅能夠縮短繁瑣的論文調研過程，還能支持細粒度的查詢，滿足科研人員的多樣需求。

結論與未來展望

在學術檢索領域，PaSa 智能體的出現無疑是一場革命。它不僅提升了檢索效率，還在準確性上取得了顯著的進步。這一工具的成功，得益於其獨特的設計和強大的技術支持。未來，PaSa 有望成為科研人員不可或缺的助手，為學術界帶來更多的創新和發現。

提升檢索效率與準確性

PaSa 智能體的核心優勢在於其能夠大幅縮短繁瑣的論文調研過程。傳統的學術檢索工具，如 Google 和 Google Scholar，雖然能夠提供大量的文獻資料，但在精確性和相關性上往往有所欠缺。PaSa 通過其獨特的 Crawler 和 Selector 設計，能夠在大量文獻中篩選出最符合用戶需求的論文，從而提高檢索的精確性。

在 AutoScholarQuery 測試集上，PaSa-7b 的召回率在 Recall@20 和 Recall@50 上分別提高了 9.64% 和 3.66%。這表明，PaSa 在檢索相關文獻時能夠更有效地捕捉到用戶需求，從而提高檢索效率。

未來的發展方向

隨著技術的不斷進步，PaSa 智能體有望在未來的學術檢索中發揮更大的作用。首先，PaSa 可以進一步優化其算法，以提高檢索的精確性和效率。其次，PaSa 可以擴展其應用範圍，支持更多學科和領域的學術檢索需求。此外，PaSa 還可以通過與其他智能體的合作，實現更為全面的學術檢索服務。

未來，PaSa 有望成為科研人員的得力助手，幫助他們更高效地完成學術調研工作。這一工具不僅能夠縮短繁瑣的論文調研過程，還能支持細粒度的查詢，滿足科研人員的多樣需求。

行動呼籲與思考

對於科研人員來說，PaSa 的出現無疑是一個福音。它不僅能夠提高檢索效率，還能幫助科研人員更好地理解和分析學術文獻。因此，我們鼓勵科研人員積極使用 PaSa，並提出反饋意見，以幫助其進一步優化和改進。

在未來的學術檢索中，PaSa 有望成為一個不可或缺的工具。它不僅能夠提高檢索效率，還能幫助科研人員更好地理解和分析學術文獻。你是否準備好迎接這場學術檢索的革新？

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

在這場學術檢索的革新中，PaSa 智能體將扮演重要的角色。隨著技術的不斷進步，PaSa 有望成為科研人員的得力助手，幫助他們更高效地完成學術調研工作。這一工具不僅能夠縮短繁瑣的論文調研過程，還能支持細粒度的查詢，滿足科研人員的多樣需求。