- مقاله تحقیقاتی جدید بر اهمیت بهینهسازی برای جستجوی کلاسیک تاکید میکند.
- عاملهای هوش مصنوعی تحقیقات عمیق ممکن است به سه صفحه وب برتر رتبهبندی شده اتکا کنند.
- صفحات جامع ممکن است در جستجوی عاملیتمحور تحقیقات عمیق برنده شوند، اما نه به قیمت نادیده گرفتن موضوعیت.
مقاله تحقیقاتی جدیدی درباره ایجاد مجموعه دادهای برای آموزش عاملهای هوش مصنوعی جهت انجام تحقیقات عمیق منتشر شده است. این مقاله بینشهایی درباره نحوه کار تحقیقات عمیق هوش مصنوعی عاملیتمحور ارائه میدهد که به معنای نکاتی برای بهینهسازی محتوا است.
گوگل یک مقاله تحقیقاتی درباره ایجاد مجموعه دادهای چالشبرانگیز برای آموزش عاملهای هوش مصنوعی جهت انجام تحقیقات عمیق منتشر کرده است. این مقاله بینشهایی درباره نحوه کار تحقیقات عمیق هوش مصنوعی عاملیتمحور ارائه میدهد که به معنای نکاتی برای بهینهسازی محتوا است.
مخفف SAGE به معنای “Steerable Agentic Data Generation for Deep Search with Execution Feedback” (تولید دادههای عاملیتمحور قابل هدایت برای جستجوی عمیق با بازخورد اجرا) است.
جفتهای پرسش و پاسخ مصنوعی
محققان اشاره کردند که مجموعههای دادههای قبلی مورد استفاده برای آموزش هوش مصنوعی (مانند Musique و HotpotQA) برای پاسخ به سوالات به بیش از چهار مرحله استدلال نیاز نداشتند. از نظر تعداد جستجوهای لازم برای پاسخ به یک سوال، Musique به طور متوسط 2.7 جستجو در هر سوال و HotpotQA به طور متوسط 2.1 جستجو داشت. یک مجموعه داده دیگر که معمولاً استفاده میشود به نام Natural Questions (NQ) تنها به طور متوسط 1.3 جستجو در هر سوال نیاز داشت.
این مجموعههای داده که برای آموزش عاملهای هوش مصنوعی استفاده میشوند، شکاف آموزشی را برای وظایف جستجوی عمیق که به مراحل استدلال بیشتر و تعداد جستجوهای بیشتری نیاز داشتند، ایجاد کردند. چگونه میتوان یک عامل هوش مصنوعی را برای وظایف جستجوی عمیق پیچیده و واقعی آموزش داد، اگر این عاملها برای حل سوالات واقعاً دشوار آموزش ندیدهاند؟
محققان سیستمی به نام SAGE ایجاد کردند که به طور خودکار جفتهای پرسش و پاسخ پیچیده و با کیفیت بالا را برای آموزش عاملهای جستجوی هوش مصنوعی تولید میکند. SAGE یک سیستم “دو-عاملی” است که در آن یک هوش مصنوعی سوالی را مینویسد و یک هوش مصنوعی دوم به نام “عامل جستجو” سعی در حل آن دارد و بازخوردی درباره پیچیدگی سوال ارائه میدهد.
- هدف هوش مصنوعی اول نوشتن سوالی است که پاسخ دادن به آن چالشبرانگیز باشد و برای حل آن به مراحل استدلال و جستجوهای متعدد نیاز داشته باشد.
- هدف هوش مصنوعی دوم تلاش برای اندازهگیری قابلیت پاسخگویی سوال و محاسبه میزان دشواری آن (حداقل تعداد مراحل جستجوی مورد نیاز) است.
نکته کلیدی SAGE این است که اگر هوش مصنوعی دوم سوال را به راحتی حل کند یا اشتباه کند، مراحل خاص و اسنادی که پیدا کرده است (ردیابی اجرا) به هوش مصنوعی اول بازخورد داده میشود. این بازخورد هوش مصنوعی اول را قادر میسازد تا یکی از چهار میانبر را شناسایی کند که هوش مصنوعی دوم را قادر میسازد تا سوال را در مراحل کمتری حل کند.
این میانبرها هستند که بینشهایی در مورد چگونگی رتبهبندی بهتر برای وظایف تحقیقات عمیق ارائه میدهند.
چهار راه برای اجتناب از تحقیقات عمیق
هدف این مقاله ایجاد مجموعهای از جفتهای پرسش و پاسخ بود که به قدری دشوار بودند که عامل هوش مصنوعی برای حل آنها به مراحل متعددی نیاز داشت. بازخورد نشان داد که چهار راه وجود دارد که نیاز عامل هوش مصنوعی به انجام جستجوهای اضافی برای یافتن پاسخ را کاهش میدهد.
چهار دلیل که تحقیقات عمیق غیرضروری بود
- هممکانی اطلاعات: این رایجترین میانبر است که 35 درصد از مواقعی را شامل میشود که تحقیقات عمیق ضروری نبود. این اتفاق زمانی میافتد که دو یا چند قطعه اطلاعات مورد نیاز برای پاسخ به یک سوال در یک سند قرار داشته باشند. به جای دو بار جستجو، هوش مصنوعی هر دو پاسخ را در یک “پرش” پیدا میکند.
- فروپاشی چند-پرسشی: این مورد در 21 درصد از موارد رخ داد. علت آن زمانی است که یک پرس و جوی جستجوی هوشمندانه و واحد، اطلاعات کافی را از اسناد مختلف بازیابی میکند تا چندین بخش از مشکل را به طور همزمان حل کند. این “فروپاشی” آنچه باید یک فرآیند چند مرحلهای باشد را به یک مرحله واحد تبدیل میکند.
- پیچیدگی سطحی: این مورد 13 درصد از مواقعی را شامل میشود که تحقیقات عمیق ضروری نبود. سوال برای انسان طولانی و پیچیده به نظر میرسد، اما یک موتور جستجو (که عامل هوش مصنوعی از آن استفاده میکند) میتواند مستقیماً به پاسخ بپرد بدون نیاز به استدلال از طریق مراحل میانی.
- سوالات بیش از حد خاص: 31 درصد از شکستها سوالاتی هستند که حاوی جزئیات زیادی هستند به طوری که پاسخ در همان جستجوی اول آشکار میشود و نیاز به هرگونه بررسی “عمیق” را از بین میبرد.
محققان دریافتند که برخی از سوالات دشوار به نظر میرسند اما در واقع نسبتاً آسان هستند زیرا اطلاعات در یک سند “هممکان” هستند. اگر یک عامل بتواند به یک سوال 4-پرشی در 1 پرش پاسخ دهد زیرا یک وبسایت به اندازه کافی جامع بود که همه پاسخها را در خود داشت، آن نقطه داده برای آموزش عامل برای استدلال یک شکست محسوب میشود، اما هنوز هم چیزی است که میتواند در زندگی واقعی اتفاق بیفتد و عامل از یافتن تمام اطلاعات در یک صفحه بهره خواهد برد.
نکات سئویی
میتوان بینشهایی درباره انواع محتوایی که تحقیقات عمیق را برآورده میکند، به دست آورد. در حالی که اینها لزوماً تاکتیکهایی برای رتبهبندی بهتر در جستجوی عمیق هوش مصنوعی عاملیتمحور نیستند، اما این بینشها نشان میدهند که چه نوع سناریوهایی باعث شد عاملهای هوش مصنوعی تمام یا بیشتر پاسخها را در یک صفحه وب پیدا کنند.
“هممکانی اطلاعات” میتواند یک برد سئویی باشد: محققان دریافتند که وقتی چندین قطعه اطلاعات مورد نیاز برای پاسخ به یک سوال در یک سند رخ میدهند، تعداد مراحل جستجوی لازم کاهش مییابد. برای یک ناشر، این به معنای تجمیع حقایق “پراکنده” در یک صفحه است که از “پرش” عامل هوش مصنوعی به سایت رقیب برای یافتن بقیه پاسخ جلوگیری میکند.
فعال کردن “فروپاشی چند-پرسشی”: نویسندگان پدیدهای را شناسایی کردند که در آن اطلاعات از اسناد مختلف میتواند با استفاده از یک پرس و جوی واحد بازیابی شود. با ساختاردهی محتوا برای پاسخ به چندین زیر سوال به طور همزمان، عامل را قادر میسازید تا راه حل کامل را در صفحه شما سریعتر پیدا کند و به طور موثر زنجیره استدلال طولانی را که عامل آماده انجام آن بود، “کوتاه” کند.
حذف “میانبرها” (شکاف استدلال): مقاله تحقیقاتی اشاره میکند که مولد داده زمانی شکست میخورد که به طور تصادفی یک “میانبر” به پاسخ ایجاد کند. به عنوان یک متخصص سئو، هدف شما این است که آن میانبر باشید – ارائه نقاط داده خاص مانند محاسبات، تاریخها یا نامها که به عامل امکان میدهد بدون کاوش بیشتر به پاسخ نهایی برسد.
هدف همچنان رتبهبندی در جستجوی کلاسیک است
برای یک متخصص سئو و یک ناشر، این میانبرها ارزش ایجاد یک سند جامع را برجسته میکنند زیرا نیاز عامل هوش مصنوعی برای پرش به جای دیگر را از بین میبرد. این بدان معنا نیست که افزودن تمام اطلاعات در یک صفحه مفید خواهد بود. اگر برای کاربر منطقی باشد، ممکن است پیوند دادن از یک صفحه به صفحه دیگر برای اطلاعات مرتبط مفید باشد.
دلیل این موضوع این است که عامل هوش مصنوعی در حال انجام جستجوی کلاسیک برای یافتن پاسخها است، بنابراین هدف همچنان بهینهسازی یک صفحه وب برای جستجوی کلاسیک است. علاوه بر این، در این تحقیق، عامل هوش مصنوعی برای هر پرس و جویی که اجرا میکند، از سه صفحه وب برتر رتبهبندی شده استفاده میکند. مشخص نیست که آیا جستجوی هوش مصنوعی عاملیتمحور در یک محیط زنده به این شکل عمل میکند یا خیر، اما این نکتهای است که باید در نظر گرفته شود.
در واقع یکی از آزمایشاتی که محققان انجام دادند با استفاده از API Serper برای استخراج نتایج جستجو از گوگل انجام شد.
بنابراین، وقتی نوبت به رتبهبندی در جستجوی هوش مصنوعی عاملیتمحور میرسد، این نکات را در نظر بگیرید:
- ممکن است در نظر گرفتن اهمیت رتبهبندی در سه جایگاه برتر مفید باشد.
- صفحات وب را برای جستجوی کلاسیک بهینهسازی کنید.
- صفحات وب را برای جستجوی هوش مصنوعی بهینهسازی نکنید.
- اگر امکان دارد جامع، مرتبط با موضوع باقی بمانید و در سه جایگاه برتر رتبه بگیرید، این کار را انجام دهید.
- برای کمک به رتبهبندی صفحات مرتبط در جستجوی کلاسیک، ترجیحاً در سه جایگاه برتر (برای اطمینان)، پیوندهای داخلی ایجاد کنید.
ممکن است جستجوی هوش مصنوعی عاملیتمحور از بیش از سه جایگاه برتر در جستجوی کلاسیک استفاده کند. اما تعیین هدف رتبهبندی در سه جایگاه برتر جستجوی کلاسیک و تمرکز بر رتبهبندی سایر صفحاتی که ممکن است بخشی از تحقیقات عمیق چند-پرشی باشند، میتواند مفید باشد.
مقاله تحقیقاتی در تاریخ 26 ژانویه 2026 توسط گوگل منتشر شد. این مقاله به صورت PDF با عنوان SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback در دسترس است.
تصویر ویژه از Shutterstock/Shutterstock AI Generator
