新基准揭示 AI 搜索 Agent 核心短板：不会追问

腾讯混元与清华联合发布的 DiscoBench 基准测试显示，当前 AI 搜索 Agent 的核心短板在于不会追问，而非搜索能力不足。研究覆盖 11 款近期旗舰模型，在 211 个含 463 处模糊点的多步搜索任务中，最高端到端准确率仅为 43.1%（豆包），Claude Opus 4.7 为 39.8%。手动移除模糊性后，准确率提升 26 到 40 个百分点，进一步证实问题出在歧义处理。反直觉的是，反复搜索而不追问的 Agent 成功率仅 51.9%，低于直接猜的 56.5%，而先搜再问的模式高达 93.4%。即使通过 system prompt 显式提醒模型警惕模糊，整体准确率也只从 28.6% 升至 33.7%，说明发现歧义与提出有效澄清是两种不同能力。例如，Qwen3.6 Max 几乎不提问，但提问后 89.5% 能推进任务；MiniMax M2.7 提问多，但仅 60% 能跟进出有效结果。

💡 为什么值得看所有头部模型端到端准确率低于 50%，反复搜索反而不如直接猜，澄清交互设计是下一代产品分水岭。