Problem

現有的搜尋代理人基準測試大多假設使用者指令完整且明確，但現實中的需求往往模糊、資訊不足或包含錯誤資訊。在涉及多步驟推理的深層搜尋中，這些初始的模糊性會隨推理鏈傳遞，導致代理人走向錯誤路徑，難以達成使用者的真實目標。

Method

開發了專為澄清導向深層搜尋設計的 DiscoBench 基準測試，包含跨 11 個領域的 211 個樣本與 463 個模糊實例，涵蓋四種主要模糊類型。研究團隊同步設計了使用者模擬器以進行多輪互動評估，並從任務效用、模糊偵測、互動策略與成本效率四個維度衡量大語言模型的表現。

Results

實驗發現，模糊偵測與有效的澄清提問是兩種完全不同的能力。若模型不主動進行澄清而僅是盲目地反覆嘗試搜尋，其表現通常比直接猜測更差。這反映出現有的模型雖然具備強大的檢索能力，但在互動式問題解決與消除歧義上仍存在顯著的技術斷層。

Significance

此研究填補了深層搜尋評測中「主動澄清」的空白，強調了搜尋代理人不應僅是單向的資訊檢索器，更需具備與使用者雙向互動以精確定位需求的能力。這為未來開發更精準、具互動智慧的 AI 搜尋系統提供了重要的評估框架與優化方向。