FORT-Searcher：为训练深度搜索智能体合成抗捷径搜索任务

训练深度搜索智能体需要可验证的问题，其答案在通过搜索获取足够证据之前不可获得。现有合成方法通常通过丰富图结构来增加表面难度，但仅凭结构复杂性并不能保证实现真正的搜索难度：预期的搜索过程可能通过一条更廉价的识别路径而崩溃。我们用一个捷径感知难度框架形式化了这一差距，并识别出四种可操作的捷径风险：证据共覆盖、单线索选择性、暴露常量以及先验知识绑定。为了诊断其实际影响，我们使用轨迹特征，包括求解成本、答案命中时间和先验捷径率。在该框架指导下，我们提出了FORT，一个抗捷径训练数据合成框架。FORT通过控制实体选择、证据图构建、问题表述和对抗性优化中的捷径风险，构建抗捷径的训练数据。实验表明，与现有的开源深度搜索数据集相比，FORT诱导出更长的答案前搜索路径和更少的捷径模式。利用生成的轨迹，我们仅通过监督微调（SFT）训练了FORT-Searcher，在具有挑战性的深度搜索基准测试中，它在同等规模的开源搜索智能体中取得了最佳整体性能。相关资源将在https://github.com/RUCAIBox/FORT-Searcher 提供。