WideSearch 是指在开放网络上以广度优先方式大规模并行检索、汇总信息的 AI 搜索范式，区别于传统单次查询的搜索引擎和只做深度追问的研究型智能体。它强调一次任务中同时覆盖大量信息源，再由模型聚合、去重与交叉验证，近年来随着 Web Research API 和多智能体编排框架的兴起而逐渐成为独立的产品与研究方向。
WideSearch 的近期进展
多智能体编排是 WideSearch 落地的主要技术路径之一。论文 WebSwarm：递归多智能体编排实现深度与广度网络搜索 提出通过递归式多智能体分工，把一个宽泛的信息需求拆解为大量可并行的子查询，兼顾覆盖广度与结果深度。类似地，SearchOS-V1：面向开放域信息检索的多智能体协作框架 也尝试用协作式智能体体系处理开放域检索任务。
商业化 API 也在跟进。Aravind Srinivas 宣布 Perplexity Agent API发布：多步研究+代码执行，Sonar得分翻倍，将多步研究与代码执行能力打包给开发者；Exa 则推出 Exa Agent：托管式 Web Research API，集成模型与搜索工具，把模型与搜索工具的集成做成托管服务。
验证环节同样在被强化。据 DeepLearning.AI 报道，智能体研究模型 AREX 逐条核验答案，4B 微调模型胜过 35B，其对应论文 AREX: 递归自我改进的深度研究代理 展示了逐条核验与递归自我改进如何让小模型在大规模检索场景中反超大模型。
当前焦点与观察点
围绕 WideSearch 的讨论集中在三个层面。一是检索与验证的分工：广度检索容易引入低质量来源，AREX 等工作表明把核验做成独立环节、交给专门微调的小模型执行，可能比堆模型参数更划算。二是基础设施的竞争：Perplexity 和 Exa 都把 WideSearch 类能力封装为 API，开发者无需自建检索管线，这可能加速该范式在垂直行业中的普及。三是支撑组件的配套成熟，例如腾讯开源了 TencentDB Agent Memory：AI 智能体的四层本地记忆管线，阿里 Qwen 也发布了 Paradigm II：世界建模作为Agent能力，7项基准提升 及 Qwen-AgentWorld，探索用世界建模提升智能体规划能力。
值得观察的问题包括：广度检索的成本如何随子查询数量扩展、跨来源事实一致性的评估标准尚未统一，以及托管 API 与开源自建方案之间的生态分化。总体来看，WideSearch 正从论文概念走向可调用的服务，但质量评估和成本控制仍是开放问题。