核心发现
方法论
A-MapReduce将宽搜索任务重新定义为水平结构的检索问题，采用类MapReduce框架，通过任务分解、并行执行和结果聚合实现高效检索。引入经验记忆机制，逐步优化任务分配策略。
关键结果
- 在WideSearch基准上，A-MapReduce的Item F1平均提升12.71%，Row F1提升13.02%，成功率提高4.23%。
- 在DeepWideSearch上，核心实体准确率提升3.52%-19.09%，Column F1提升9.71%-30.18%。
- 运行时间比多智能体基线减少45.8%，每任务平均节省$1.10。
研究意义
该研究显著提升了宽搜索任务的效率和精度，解决了现有多智能体系统在长时间执行和大规模检索中的瓶颈问题，为学术界和工业界提供了新的高效框架。
技术贡献
提出了类MapReduce的多智能体执行框架，首次将宽搜索建模为水平结构检索问题，并通过经验记忆实现跨任务优化。这种方法为大规模检索任务提供了新的理论和工程实践可能性。
新颖性
A-MapReduce首次将MapReduce范式引入多智能体系统，显著区别于传统的垂直递归推理框架，提供了水平分布式检索的新视角。
局限性
- 在极端大规模任务中，经验记忆的存储和检索可能导致额外开销。
- 框架依赖于高性能LLM，可能对计算资源要求较高。
- 在任务分解策略中，复杂查询的适配性仍需进一步验证。
未来方向
未来可探索更高效的记忆压缩方法、适配更多类型的宽搜索任务，以及在低资源环境中的应用优化。
AI 总览摘要
现有多智能体系统在处理宽搜索任务时效率低下，主要由于其基于垂直递归推理的设计不适合大规模水平检索。A-MapReduce通过借鉴MapReduce范式，将宽搜索重新定义为水平结构的检索问题，采用任务分解、并行执行和结果聚合的方式优化检索效率。
该框架引入了经验记忆机制，能够从历史任务中提取执行模式并逐步优化任务分配策略，从而实现跨任务的持续改进。在WideSearch和DeepWideSearch基准测试中，A-MapReduce表现优异，Item F1提升最高达17.50%，运行时间减少45.8%。
尽管在存储开销和复杂查询适配性上存在一定局限，该框架为宽搜索任务提供了全新视角，具有广泛的学术和工业应用潜力。未来研究可进一步优化记忆机制并扩展其适用范围。
深度分析
研究背景
多智能体系统近年来在数学推理、信息检索和代码生成等领域表现出色。然而，这些系统主要基于垂直递归推理，适用于深度搜索任务，而在宽搜索任务中效率低下。
核心问题
宽搜索任务需要在大规模目标集合中进行水平检索和聚合，现有系统在目标管理和执行效率上存在瓶颈，难以满足大规模检索需求。
核心创新
A-MapReduce通过类MapReduce框架，将宽搜索建模为水平结构检索问题。其核心创新包括任务分解与并行执行、结果聚合，以及基于经验记忆的任务优化。
方法详解
- �� 任务分解：将检索任务分解为多个原子任务。
- �� 并行执行：通过多智能体并行完成任务。
- �� 结果聚合：将部分结果合并为统一输出。
- �� 经验记忆：记录历史任务模式，优化未来任务分配。
实验设计
实验在WideSearch和DeepWideSearch基准上进行，比较了多种基线方法。评估指标包括Item F1、Row F1和运行时间。
结果分析
A-MapReduce在WideSearch上Item F1提升12.71%，在DeepWideSearch上核心实体准确率提升19.09%。运行时间减少45.8%。
应用场景
适用于大规模信息检索、知识图谱构建和数据挖掘等场景，特别是在需要高效水平检索的任务中。
局限与展望
存储开销较高，复杂查询适配性有限，依赖高性能LLM。
通俗解读 非专业人士也能看懂
可以将A-MapReduce想象成一个高效的“任务工厂”。每个宽搜索任务就像一个大订单，工厂会将订单分解成小任务，分配给不同的工人（智能体）并行完成。完成后，工厂再将所有小任务的结果汇总成最终产品。通过经验记忆，工厂还能不断优化生产流程，提高效率。
简单解释 像给14岁少年讲一样
想象你在玩一个收集任务的游戏。任务是找到所有隐藏的宝藏，但地图很大！A-MapReduce就像一个聪明的队长，把地图分成小块，每个队员负责一块。完成后，队长把所有宝藏位置汇总。更酷的是，队长会记住哪些方法最有效，下次任务更快！
术语表
MapReduce
一种分布式计算框架，将任务分解为映射和归约两部分。
用于A-MapReduce的核心框架设计。
宽搜索 (Wide Search)
一种强调大规模水平检索的任务。
A-MapReduce的主要应用场景。
经验记忆 (Experiential Memory)
记录历史任务执行模式的存储机制。
用于优化任务分配和执行策略。
Item F1
衡量检索结果精度的指标，结合精确率和召回率。
实验中用于评估模型性能。
并行执行 (Parallel Execution)
同时执行多个任务以提高效率。
A-MapReduce的关键特性。
开放问题 这项研究留下的未解疑问
- 1 如何进一步减少经验记忆的存储开销？
- 2 在低资源环境中如何优化框架性能？
应用场景
近期应用
知识图谱构建
通过高效检索和聚合，快速构建大规模知识图谱。
数据挖掘
在大数据集中进行高效的信息提取和分析。
远期愿景
通用智能搜索引擎
开发能够处理复杂宽搜索任务的下一代智能搜索系统。
原文摘要
Contemporary large language model (LLM)-based multi-agent systems exhibit systematic advantages in deep research tasks, which emphasize iterative, vertically structured information seeking. However, when confronted with wide search tasks characterized by large-scale, breadth-oriented retrieval, existing agentic frameworks, primarily designed around sequential, vertically structured reasoning, remain stuck in expansive search objectives and inefficient long-horizon execution. To bridge this gap, we propose A-MapReduce, a MapReduce paradigm-inspired multi-agent execution framework that recasts wide search as a horizontally structured retrieval problem. Concretely, A-MapReduce implements parallel processing of massive retrieval targets through task-adaptive decomposition and structured result aggregation. Meanwhile, it leverages experiential memory to drive the continual evolution of query-conditioned task allocation and recomposition, enabling progressive improvement in large-scale wide-search regimes. Extensive experiments on five agentic benchmarks demonstrate that A-MapReduce is (i) high-performing, achieving state-of-the-art performance on WideSearch and DeepWideSearch, and delivering 5.11% - 17.50% average Item F1 improvements compared with strong baselines with OpenAI o3 or Gemini 2.5 Pro backbones; (ii) cost-effective and efficient, delivering superior cost-performance trade-offs and reducing running time by 45.8\% compared to representative multi-agent baselines. The code is available at https://github.com/mingju-c/AMapReduce.