深度研究 Agent 往往看起来很勤奋：不断搜索、打开页面、补充证据，最后给出一份结构完整的答案。但这篇研究指出，许多失败其实在很早以前就已经发生——当搜索状态同时存在几个合理方向时，Agent 太快选中其中一个，后续工具调用只会围绕这条路径继续积累“支持证据”。
问题不是搜得不够多，而是搜索被早期判断锁死了。
#单轨搜索为什么会越搜越偏
研究团队把轨迹中的状态分成两类。直接状态只有一个明显的下一步，例如找到某家公司后继续查它的成立时间；分歧状态则存在多个候选、解释或证据方向，需要先比较再决定。
搜索轨迹中的直接状态与分歧状态
普通单轨 Agent 无论遇到哪一种状态，都必须立刻决定下一步。一旦它在分歧状态中押错方向，后续检索会继承此前上下文，查询越来越具体，表面上证据越来越丰富，实际上只是把错误假设做得更完整。
对 BrowseComp、FRAMES、GAIA 等基准的失败轨迹分析显示，不同任务的失败位置并不相同。BrowseComp 的主要问题集中在早期探索，另一些基准则更多失败在工具调用或最终综合。这意味着“统一增加搜索深度”并不是通用解法：预算应该投向真正发生分叉的时刻。
#先提出假设，再决定走哪条路
HypoSearch 的做法不是同时运行多条完整研究轨迹，而是在检测到分歧状态后生成若干轻量假设。每个假设只是一条非约束性的搜索提示，由独立分支在有限预算内收集证据；聚合器随后横向比较各分支，证据充分就回答，不充分则生成下一轮更具体的假设。
HypoSearch 在承诺前进行有界分支探索
这个设计把并行计算放在“选方向”之前，而不是在五条完整轨迹结束后再投票。它同时保留两种能力：宏观上仍可根据新证据继续迭代，局部遇到分叉时又能暂缓承诺。
研究还总结了成功轨迹的两个行为信号。候选聚焦率衡量搜索是否从模糊主题落到可验证对象，方向切换率衡量当前路径证据不足时是否会主动换方向。二者缺一不可：只有候选而不换方向，会形成过早锁定；频繁换方向却没有具体候选，则容易漫游。
#更准，而且没有付出完整并行的成本
HypoSearch 在四个深度研究基准和三个模型骨干上都优于单轨搜索、多数投票和 best-of-N。Qwen3.5-122B 在 BC-small 上从 46.7 提升到 60.0；DeepSeek-V3.2 在 FutureX 上从 44.7 提升到 53.9。
三种模型上的平均工具调用次数
收益也不是简单用更多调用换来的。以 Kimi-K25 为例，五轨多数投票平均需要约 205 次工具调用，HypoSearch 为 132.5 次，减少 35.4%；Qwen3.5-122B 上也减少约 29.1%。结构化分支比“多跑几遍再投票”更有效率。
一项小规模监督微调实验还显示，只用候选聚焦率与方向切换率筛出的 1 万条轨迹，就能在 BC-small 上达到或略超 8 万条完整数据的效果，同时更好保留数学推理能力。这提醒我们：研究 Agent 的训练数据不应只按最终成败筛选，还应检查它在关键分叉点怎样处理不确定性。
真正值得产品化的不是让 Agent 永远多想几步，而是让它知道什么时候不该急着下结论。