Mind2Web-2：让 AI 搜索代理学会"有据可查"地回答

当 AI 搜索遭遇"幻觉危机"

你在 2025 年让 AI 搜索代理查一份行业报告，它洋洋洒洒给了你三千字——可当你追根究底想核实每一个数据时，发现它凭空编造了三个来源网址、两个引用数字。这正是当前 AI 搜索代理面临的核心困境：能搜、会写，但无法保证回答的准确性和可追溯性。

Mind2Web-2 正是为解决这一问题而来。这是俄亥俄州立大学 NLP 团队发布的 AI 搜索代理评测基准，在 2025 年 NeurIPS D&B Track 发表，核心创新是提出 Agent-as-a-Judge 方法——用专门的 LLM 评判代理来验证 AI 生成答案的正确性和引用归属。

从 Mind2Web 到 Mind2Web-2：为什么需要"AI 来评判 AI"

Mind2Web 系列最初关注的是 AI 在网页环境中执行复杂任务的能力（点击、输入、导航），而 Mind2Web-2 将战场转向了自主搜索与长文本综合回答——这也是 OpenAI Deep Research、Perplexity 等产品的核心能力。

传统评测的痛点在于：当 AI 的回答涉及大量实时网络信息时，如何自动判断"它说的是对的"？人工评测成本高、一致性差。Mind2Web-2 的解法是设计任务专属的 LLM 评判代理，使用树形评分标准（rubric tree）来层层拆解评估维度，每个节点由专门的提示词模板驱动，自动提取关键事实并与网页缓存进行交叉验证。

核心能力拆解

Agent-as-a-Judge 评估框架

评判流程分为几个层次：

事实提取：用 LLM 从答案中抽取关键声明（claims），每个声明附带置信度
来源验证：根据答案中提供的 URL，提取对应的网页内容，与声明进行匹配
树形聚合：多层级评分节点，支持加权求和、最大值等多种聚合策略

评判代理支持 OpenAI GPT 系列和 Azure OpenAI，并通过 patchright（Playwright 的隐蔽分支）自动化缓存答案中引用的网页，解决网络内容时效性和稳定性问题。

Cache Manager：批量管理网页缓存

评测中有个非常实用的工具——Cache Manager Web UI。它能批量检测哪些引用的网页缓存失败了（可能因为验证码、反爬、登录墙），然后一键通过 Chrome 扩展重新抓取。这个设计解决了评测复现性中最头疼的问题：被测 AI 引用的网页随时可能消失或改版。

灵活的并发控制

评估脚本支持丰富的并发参数：

--max_concurrent_tasks：最多同时评测多少个任务
--max_concurrent_answers：单个任务下最多并发评估多少个答案
--max_webpage_retrieval：并发抓取网页
--max_llm_requests：并发 LLM API 请求

对于需要 Google Maps API 的任务（如查询地点信息），也预留了扩展接口。

技术架构一览

项目采用模块化设计，核心在 mind2web2/ Python 包中：

模块	职责
`evaluator.py`	顶层评估器，协调提取+验证全流程
`eval_toolkit.py`	Extractor 和 Verifier 类，LLM 驱动的提取与验证
`verification_tree.py`	树形评分结构，支持自定义聚合策略
`eval_runner.py`	异步任务编排器，处理并发执行
`llm_client/`	LLM 提供商抽象层，支持 OpenAI/Azure
`api_tools/`	外部 API 集成（arXiv、Google Maps、PDF）
`utils/`	缓存、日志、浏览器、路径等共享工具

依赖栈非常实用：FastAPI（用于 Cache Manager Web UI）、Playwright/patchright（浏览器自动化）、BeautifulSoup4/PyMuPDF（内容解析）、Jinja2/Markdownify（Markdown 处理）。

部署体验：命令行为主，配置有门槛

这是一款命令行优先的工具，没有 Web UI 界面。部署步骤：

uv sync 或 pip install -e . 安装 Python 包
patchright install 安装 Chromium 浏览器
配置 OPENAI_API_KEY（核心依赖）
按指定目录结构放置 AI 的回答文件
运行 python run_eval.py --agent_name <your_agent>

难点在于目录结构和回答格式需要严格遵守规范，初次使用需要参照 answers/example 目录理解格式。另外 Google Maps API Key 对部分任务是必需的。

局限与争议

依赖外部 LLM API：评测过程本身需要消耗大量 LLM token，成本不低
网页缓存策略的时效性：即使有 Cache Manager，长期运行的评测仍可能遇到网页内容变更的问题
仅评测"有引用的回答"：项目默认 AI 会提供 URL 来源，对于不提供来源的 AI 系统（如某些纯推理模型），评测框架的适用性有限
评测的可重复性：虽然有缓存机制，但 LLM 评判本身存在随机性，不同版本的评判提示词可能导致分数差异

行业意义：填补 Agentic Search 评测空白

Mind2Web-2 的出现填补了一个重要空白：此前没有专门针对"AI 搜索 + 综合回答 + 引用验证"这一完整流程的公开评测基准。该项目为 Agentic Search 系统提供了可量化的质量标尺，对推动 AI 搜索产品的实用化具有重要意义。Open Deep Research 等产品已在官方文档中推荐使用 Mind2Web-2 作为评测工具。

如果你正在开发 AI 搜索代理，Mind2Web-2 是目前最值得参考的评测框架之一——不仅能测出分数，还能通过评判日志理解 AI 的推理链路和常见错误模式。

本报告基于 GitHub 仓库 v0.1.0 分析，数据来源：OSU-NLP-Group/Mind2Web-2，NeurIPS'25 D&B。