据MarkTechPost报道，为AI智能体提供网络基础设施的TinyFish于10月23日发布两份技术指南，分别定义面向生产环境的智能体搜索架构，以及构建深度研究系统的工程经验。TinyFish称，搜索智能体在演示中可用，但在生产负载下常因检索返回不完整证据、重试反复执行无效动作、执行超出时间与成本上限而失效。
该架构建立在四个网络原语之上，即TinySearch、TinyFetch、TinyBrowser与TinyAgent，围绕基础模型运行一个七阶段控制环。TinyFish表示，模型负责推理，外围应用负责状态、工具执行、证据处理、运行时策略与输出校验，从而让智能体能够处理不完整结果、可恢复失败和变化的信息需求。其设计思路源自2026年2月的一篇架构预印本，该文通过类型化工具接口把推理与执行解耦，并提出详细追踪以及对token、执行时间、总成本和工具调用次数的严格上限。
七个阶段依次为：定义任务，把目标转化为一份“证据契约”，写明必需字段、来源、时效性与完成规则；规划检索，将相互独立的需求与有依赖的需求分开，依赖型查询等待前序答案；选择首个路由，依据系统对证据的已有了解选择工具；发现、选择与获取，在页面内容返回之前把搜索结果当作候选；评估证据，标记为充分、不完整、冲突、无法访问或预算耗尽；恢复或升级；停止并验证，返回完成、不完整、失败、取消或需人工复核等状态。
其中第二阶段针对ChainRAG（ACL 2025）所称的“检索迷失”问题，即多跳问题分解过程中关键实体消失。第六阶段借鉴Search-R1的思路，让模型在推理过程中判断前序检索不足时生成追加查询。报道称，Search-R1在7个问答数据集上的学习式多轮搜索较RAG基线分别高出41%（Qwen2.5-7B）和20%（Qwen2.5-3B）。
工具选择应跟随信息缺口而非常设阶梯。来源位置未知时使用搜索，应用仍掌握查询规划、来源策略与停止条件；URL已知且可读时使用获取，应用负责完整性检查与主张验证；需要控制页面操作时使用浏览器，每次动作、重试与检查点均由应用管理；跨多个页面做决策时使用Web智能体，业务规则、预算与验证仍由应用承担。
TinyFish在指南中还指出，升级并不总是解法：结果较弱应修改查询，来源冲突应寻找更强证据，更重的工具两者都解决不了。重试应依据失败类型并限定在既定范围内，瞬时错误可重复请求，证据不完整或冲突则需换用不同方法。浏览器重试还需计入已完成的动作，以免重复提交同一表单等意外后果。
据该公司公布的数据，在OpenBenchmarks上，其系统在编码任务中完成率为79.0%，中位任务成本为0.050美元，token占用最低。TinyFish将这一表现归因于刚性的控制环、按失败类型区分的重试，以及以统一推理取代独立规划器。