WebSwarm: 심층적이고 광범위한 웹 검색을 위한 재귀적 다중 에이전트 오케스트레이션

WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search

대규모 언어 모델(LLM) 기반 웹 검색 에이전트는 정보 탐색 방식을 단순한 사실 기반 질문 응답에서 복잡하고 심층적이면서도 광범위한 검색 및 연구 지향적인 작업으로 변화시키고 있습니다. 단일 ReAct 스타일 에이전트는 하나의 긴 경로와 제한된 컨텍스트로 인해 깊이와 범위를 동시에 처리하는 데 어려움을 겪습니다. 기존의 다중 에이전트 시스템은 병렬 실행과 집계를 통해 검색 범위를 개선하지만, 여전히 재귀적 깊이, 협업 적응성 및 증거 기반 확장 측면에서 명확한 한계점을 보입니다. 본 논문에서는 추론 과정에서 작업 분해, 재귀적 확장 및 에이전트 협력을 동시에 구축하는 점진적인 재귀 위임 프레임워크인 WebSwarm을 제안합니다. WebSwarm은 동적으로 에이전트 검색 노드를 생성하며, 각 노드는 로컬 목표와 검색 방식을 결합하여 노드가 검색 및 협력을 어떻게 구성해야 하는지 지정합니다. 각 노드는 자체 목표를 해결하거나 하위 노드에 위임을 할 수 있으며, 해결 후에는 증거와 결과를 상위 노드로 전달하여 부모 노드가 검색 프로세스를 추가로 확장, 수정 또는 집계할 수 있도록 합니다. WebSwarm은 이 과정을 안내하기 위해 웹에서 작업 관련 정보가 어떻게 구성되어 있는지 파악하여 후속 노드 확장에 활용하고, 동일한 형제 노드 간에 프로세스 수준의 경험을 재사용합니다. BrowseComp-Plus, WideSearch, DeepWideSearch 및 GISA 데이터셋에서의 실험 결과, WebSwarm은 심층적, 광범위 및 혼합된 심층-광범위 작업에서 단일 에이전트 및 다중 에이전트 기준 모델보다 일관되게 우수한 성능을 보였습니다. 또한, ablation 테스트, 작업 난이도, 웹 도구 효율성 및 모델 일반화에 대한 추가 분석은 WebSwarm의 효과를 설명하고 다중 에이전트 검색 시스템에 대한 통찰력을 제공합니다.

Large language model (LLM)-based web search agents are transforming information seeking from simple factoid question answering into complex, deep-and-wide search and research-oriented tasks. A single ReAct-style agent is constrained by one long trajectory and limited context, making it difficult to handle depth and coverage simultaneously. Existing multi-agent systems improve search coverage through parallel execution and aggregation, but still exhibit clear limitations in recursive depth, collaboration adaptability, and evidence-grounded expansion. We propose WebSwarm, a progressive recursive delegation framework that jointly constructs task decomposition, recursive expansion, and agent collaboration during inference. WebSwarm dynamically instantiates agentic search nodes, each coupling a local objective with a search mode that specifies how the node should organize search and collaboration. Each node can either solve its objective itself or further delegate child nodes; after solving, it returns evidence and results upward, enabling parent nodes to further expand, revise, or aggregate the search process. To guide this process, WebSwarm first probes how task-relevant information is organized on the web to ground subsequent node expansion, and reuses process-level experience across homogeneous sibling nodes. Experiments on BrowseComp-Plus, WideSearch, DeepWideSearch, and GISA show that WebSwarm consistently outperforms single-agent and multi-agent baselines on deep, wide, and interleaved deep-and-wide tasks. Further analyses of ablation, task difficulty, web tool efficiency, and model generalization explain WebSwarm's effectiveness and provide insights for multi-agent search systems.