ATH-MaaS/Marco-DeepResearch

解決的問題

Marco DeepResearch 解決了 AI 代理與人類專家在複雜現實任務中的差距。它特別針對領域特定推理（如法律或醫療）、階層式規則應用、大規模資訊搜尋（深度與廣度並重）以及代理在不發生過擬合的情況下進化其技能與記憶的能力方面的限制。

工作原理

本專案提供一套基準與框架，以提升代理的能力：

• Table-as-Search：一種多代理框架，將長週期搜尋視為表格填補任務，透過『廣度（Wide）』與『深度（Deep）』子代理的階層式協調，有效追蹤狀態並進行規劃。
• UMEM（統一記憶提取與管理）：一種自我進化記憶系統，優化代理從互動軌跡中提取與管理洞察的方式，避免機械式記憶。
• Search2Skill：一種使用基於評分標準的強化學習，從外部搜尋結果中萃取可重複使用的專業領域技能的框架。
• 基準測試：包含用於測試貿易關稅中階層式規則應用的 HSCodeComp，以及用於評估深度與廣度資訊搜尋的 DeepWideSearch。

適用對象

本專案專為開發垂直領域（如電商、貿易、法律）生產級代理的 AI 研究人員與開發者，以及從事長期規劃與自我進化代理記憶研究的人士設計。

主要亮點

• 自我進化能力：UMEM 透過自主學習專家差距，將客服代理的調校時間從數天縮短至數分鐘。
• 高性能量子：包含 Marco-DeepResearch-8B 模型與專用代理協調器。
• 領域特定成功：在跨境貿易的 HS 編碼分類任務中，相比通用大模型取得顯著提升。
• 結構化規劃：採用『Table-as-Search』方法，提升商業智慧任務中實體召回率與屬性完整性。