devgo.cn最强搜索智能体GPT-5.5在BrowseComp上准确率超过90%，但在美团最新开源的LoHoSearch上却只有34.74%——差距不是一点点，而是直接腰斩再腰斩。为什么同一个模型，换个考场就'水土不服'？因为LoHoSearch的考题不是人出的，而是机器基于知识图谱自动生成的，专挑人工出题想不到的'刁钻角度'。
过去一年，Search Agent（搜索智能体，能自主规划搜索步骤并整合信息的AI系统）能力突飞猛进，BrowseComp等基准的准确率从30%飙到90%以上。但基准饱和后，区分度下降——人工设计的题目受限于出题者的知识范围，无法站在全局知识网络视角判断哪些条件真的难检索。美团LongCat团队提出的LoHoSearch，正是要打破这个天花板。
LoHoSearch的核心思路是：让机器自己出题。首先，基于完整英文维基百科构建一张包含762万实体、2.65亿条有向边的知识图谱（以实体和关系组织的结构化知识网络）。然后，从两个维度控制题目难度：搜索空间（满足条件的候选实体数量）和结构复杂度（需要同时满足的条件数量）。通过树结构和图结构两种子图模式，系统化生成高难度题目。
生成题目后，经过自动验证、人工复核三层把关，最终收录544道经人工核验的题目，覆盖11个领域。整体质量表现：75.5%直接通过，22.3%微调后接受，仅2.2%被丢弃。
在LoHoSearch上，最强模型GPT-5.5准确率仅34.74%，DeepSeek-V4-Pro、Claude-Opus-4.6、Kimi-K2.6集中在15.53%–15.99%，其余均低于14%。这与它们在BrowseComp上80%以上的表现形成鲜明对照。四个洞察揭示了搜索智能体的真实短板。
洞察一：解一道LoHoSearch题目，平均工具调用从35次增至61次（+74%），中位数从26次升至59次。图结构题目准确率仅8.01%，远低于树结构的11.89%，说明结构复杂度是独立于搜索空间之外的额外难度来源。
洞察二：重复采样收益可观，但天花板依然很低。对DeepSeek-V4-Flash采样16次，pass@N（多次采样中至少一次成功的概率）从9.3%升至38.3%，但仍有六成以上题目无法攻克。best-of-N聚合策略仅24.6%，远低于pass@16上界，说明模型在答案置信度校准上存在明显不足。
洞察三：现有上下文管理策略在LoHoSearch上效果大打折扣。以标准ReAct（推理-行动循环框架）为基线，最佳组合（Discard-all + Verify）仅提升6.8个百分点，远低于在BrowseComp上的14.03个百分点。因为LoHoSearch需要更长的推理链，简单轨迹压缩或重启无法解决长程搜索中的信息丢失问题。
洞察四：知识图谱是系统化构造高难度题目不可或缺的基础。对比发现，BrowseComp的隐藏实体流行度更高（人工出题难以控制实体知名度），且即便控制流行度，LoHoSearch的关系搜索空间仍显著更大，实体推断难度远高于BrowseComp。
LoHoSearch的价值在于三项具体贡献：基于知识图谱的自动化构造流程突破了人工出题的难度上限；为搜索智能体建立了更具区分度的评测标尺；成为推动下一代上下文管理技术研究的理想试验场。对于开发者而言，如果你想测试自己的搜索智能体在长程推理上的真实能力，LoHoSearch是一个很好的'试金石'。同时，它的开源也提供了一个思路：利用知识图谱自动生成高难度评测数据，可以避免人工出题的主观局限。但要注意，自动生成需要严格的质量控制，否则容易混入多答案或易答题。
内容与图片版权归原作者所有 · 原文: https://tech.meituan.com/2026/07/24/LongCat-LoHoSearch.html