正确证据放进 Context，GPT-4.1 能答对 93%；让它自己搜索，却只剩 14%：问题出在哪里？

导读

Agent 明明能读懂证据，为什么自己搜索后仍常答错？Hornet 的 Jo Kristian Bergum 把排查分成模型、执行框架和检索器三层：查看 Agent 写了什么查询、工具返回哪些片段、正确资料何时出现，以及它为何继续搜索或停止。多步研究中，Agent 会反复加入人名、日期、引号和站点限制；BM25 等关键词检索因此能保留版本号、法条和精确引语等稀有线索，但分词、文档长度和参数设置都会影响结果。语义检索则可补充不同措辞的匹配。面对大型语料，系统可以先检索候选，把相关文档拉入工作区，再让 Agent 打开全文、用命令行比较细节。评估既看最终答案，也要记录每轮召回、证据覆盖、查询次数和成本。