TinyFish revela framework para sistemas confiáveis de busca de agentes de IA

A TinyFish, fornecedora de infraestrutura web para agentes de IA, lançou duas guias técnicas detalhando como construir sistemas de busca de agentes práticos. As guias se concentram em abordar problemas comuns, como recuperação incompleta, falhas nas tentativas e limites de execução. A arquitetura, construída em quatro primitivas web, opera através de um ciclo de controle de sete fases em torno de um modelo base. Na OpenBenchmarks, a TinyFish alcançou uma taxa de conclusão de 79,0% em tarefas de codificação com um custo médio de $0,050, destacando a importância de ciclos de controle rígidos e raciocínio unificado. A arquitetura do sistema se baseia em uma pré-publicação de fevereiro de 2026 que desacopla o raciocínio da execução através de interfaces de ferramentas tipadas. A TinyFish divide uma execução em sete fases, com a Fase 2 abordando o problema de 'perda na recuperação' e a Fase 6 aproveitando o Search-R1 para gerar consultas de busca adicionais. Em sete conjuntos de dados de QA, sua busca multi-turn superou as linhas de base RAG em 41% e 20%. A TinyFish também otimizou seu sistema de pesquisa para qualidade e relevância, ajustando a classificação de fontes com base nos objetivos de pesquisa e adicionando controles para priorizar, excluir ou restringir domínios. A empresa desenvolveu um conjunto de avaliação interno usando um juiz LLM para avaliar relatórios para relevância, força da evidência e diversidade de fontes. A OpenBenchmarks, atualizada em 26 de setembro de 2026, relata os resultados de busca da TinyFish em 59,3%, em comparação com 77,3% para Perplexity, 70,3% para Firecrawl e 66,3% para Exa Fast.