ATH-MaaS/Marco-DeepResearch

解决的问题

Marco DeepResearch 解决了 AI 代理与人类专家在复杂现实任务中的差距。它特别针对领域特定推理（如法律或医疗）、层级规则应用、大规模信息搜索（深度与广度并重）以及代理在不发生过拟合的情况下进化其技能和记忆的能力方面的局限性。

工作原理

该项目提供了一套基准测试和框架，以提升代理的能力：

• Table-as-Search：一种多代理框架，将长周期搜索视为表格补全任务，通过‘广度（Wide）’和‘深度（Deep）’子代理的分层协调，有效追踪状态并进行规划。
• UMEM（统一记忆提取与管理）：一种自我演进的记忆系统，优化代理从交互轨迹中提取和管理洞察的方式，避免机械记忆。
• Search2Skill：一种使用基于评分标准的强化学习，从外部搜索结果中提炼可复用的专业领域技能的框架。
• 基准测试：包括用于测试贸易关税中层级规则应用的 HSCodeComp，以及用于评估深度与广度信息搜索的 DeepWideSearch。

适用对象

本项目专为开发垂直领域（如电商、贸易、法律）生产级代理的 AI 研究人员和开发者，以及从事长期规划和自我演进代理记忆研究的人士设计。

主要亮点

• 自我演进能力：UMEM 通过自主学习专家差距，将客户服务代理的调优时间从数天缩短至数分钟。
• 高性能代理：包含 Marco-DeepResearch-8B 模型和专用代理协调器。
• 领域特定成功：在跨境贸易的 HS 编码分类任务中，相比通用大模型取得了显著提升。
• 结构化规划：采用‘Table-as-Search’方法，提升了商业智能任务中实体召回率和属性完整性。