行业动态AWS Machine Learning Blog
来源时间 本站刊期
在 Amazon SageMaker AI 上用多轮 RL 微调搜索 Agent
Fine-tune a search agent with multi-turn RL on Amazon SageMaker AI
小搜索Agent用多轮RL微调后，检索质量与可靠性提升。
判断
如果团队曾因小模型多轮检索不稳而改用前沿模型，这条把采购/技术选型改成：在 Amazon SageMaker AI 上用多轮强化学习微调小模型，把工具与环境知识教进模型，再决定是否还用前沿模型兜底。
依据
AWS Machine Learning Blog 的 Huibin Shen、Pooja Karadgi、Sifei Li 和 Lorenzo Stella 在 2026年10月2日 的文章里说，搜索 Agent 要在多轮交互中自主决定搜什么、用哪条检索策略、何时停止，并根据已检索内容调整下一轮。机制难点是基础模型不预先知道你的工具和环境：提示小模型，多轮行为很少可靠；提示前沿模型，往往可用，但延迟和成本更高。作者给出的第三条路是微调，把工具和环境直接教给小模型，目标是小模型的速度与成本，加上原本要靠前沿模型才有的可靠性；标题中的 multi-turn RL（多轮强化学习，reinforcement learning）就是这条微调路径。文中还提到传统 SFT（监督微调，supervised fine-tuning）依赖专家演示。
- 用户提问接收任务
- 决定搜什么发起检索
- 选检索策略返回内容
- 读取检索结果判断是否继续
- 决定停止或继续
没写清 材料没有给出多轮强化学习微调前后的检索准确率、延迟或成本对照数字，无法判断相对前沿模型省了多少。
下一步 下一步核对 AWS 博文后续是否公开训练脚本、评测数据集，以及 SFT 与多轮 RL 的对照结果。