ATH-MaaS/Marco-DeepResearch

解决的问题

Marco DeepResearch 是一项全面的计划，旨在弥合 AI 代理与人类专家在复杂现实任务之间的差距。它解决了领域特定推理、层级规则应用和大规模信息搜索中的关键局限性，尤其是在贸易、法律和医疗等垂直领域中尤为突出。

工作原理

该项目由一系列针对不同代理能力的基准、框架和模型组成：

• Table-as-Search：将长期搜索任务形式化为表格补全任务，利用分层多代理框架协调「广度」（表格）和「深度」（多跳）搜索代理。
• 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：一种基于评分标准的强化学习框架，用于从外部搜索结果中提炼可复用的专家领域技能。
• 基准测试（HSCodeComp 与 DeepWideSearch）：专门的数据集，用于评估代理应用层级规则（如关税分类）和执行深度与广度信息收集的能力。

适用对象

本项目适用于开发复杂商业智能、跨境贸易合规和自动化客户服务审计等生产级代理的 AI 研究人员和开发者。

主要亮点

• 生产就绪框架：包含 Table-as-Search，适用于高召回率的业务发展情报。
• 自我演进记忆：UMEM 使代理能够从专家真实数据中学习，并在几分钟内更新行为，而非数天。
• 专用基准测试：HSCodeComp 为垂直领域中的层级规则应用提供严格测试。
• 高效模型：包含专为深度研究代理任务优化的 Marco-DeepResearch-8B 模型。