图像生成领域正迎来新思路：将 AgenticRAG 框架应用于文生图任务。本文深入解析一种名为 Gen-Searcher 的智能体工程化组合方案，其核心流程可概括为：用户提示→Gen-Searcher智能体多轮搜索→输出“精准提示+参考图”→送给文生图模型生成。
简单来说，这是一种用于图像生成的多模态深度搜索智能体。它通过多跳推理与主动搜索，来获取生成所需的确切文本知识及视觉参考图像。虽然这类方法能有效提升生成结果的事实准确性，但也引入了新的挑战：依赖外部搜索可能带来信息噪声或幻觉，且多轮的工具调用与网页浏览会显著增加耗时，生成单张图片可能需要数秒到十几秒。
尽管如此，其工程化实现思路仍值得探讨。相关研究《Gen-Searcher: Reinforcing Agentic Search for Image Generation》的论文、模型权重及代码均已公开。
核心工具集
Gen-Searcher 智能体主要依赖三类工具与环境交互：
- search：执行网络文本搜索，返回前k个相关网页的链接与摘要。主要用于验证事实性信息，如实体名称、日期、地点等。
- image_search：根据文本查询检索相关图像，返回图像链接与描述。用于确定物体、地标、服装等细粒度外观细节。
- browse：输入一个网页链接，返回由 Qwen3-VL-30B-A3B-Instruct 生成的页面内容摘要。
两阶段训练策略
模型基于 Qwen3-VL-8B-Instruct 初始化，并经历两个训练阶段：
- SFT监督微调阶段：在名为 Gen-Searcher-SFT-10k 的数据集上进行微调，教导模型执行多轮工具调用，包括发起搜索、解析文本与视觉反馈、筛选有用参考图像，并最终合成基于搜索的精准提示。
-
AgenticRL强化学习阶段：使用 GRPO 算法优化智能体的搜索轨迹。为了解决单一奖励信号的不足，采用了双奖励机制：
- R_text文本奖励：由 GPT-4.1 评估生成信息的完整性，打分范围为 {0, 0.25, 0.5, 0.75, 1.0}。
- R_image图像奖励：使用 K-Score 进行多维度加权评分（忠实度0.1 + 视觉正确性0.4 + 文本准确性0.4 + 美学0.1）。
最终奖励计算公式为 R = (1 - α) * R_image + α * R_text，其中 α = 0.5。
数据合成Pipeline
高质量的训练数据是该方法生效的基础，其构建包含四个关键步骤：文本提示构造、智能体轨迹生成、有根据的图像合成以及数据过滤与整理。
-
Step 1: 文本提示构造
目标是自动生成那些“需要进行深度搜索才能回答”的提示。通过精心设计的提示工程，指导 Gemini 3 Pro 在动漫、建筑、艺术、地理、历史、医学等约20个广泛类别中，生成多跳、搜索密集型的提示。这些提示的特点是所需信息无法通过单次搜索获得，必须进行多步骤的证据聚合与分析。
-
Step 2: Agent轨迹合成
智能体利用前述的 search、image_search 和 browse 工具，开展多轮推理与搜索。它持续分析来自环境的文本和视觉反馈，识别有用证据和参考图像，并规划下一步动作。最终，聚合多方信息，生成一个有根据的提示和一组相关的参考图像。
-
Step 3: 图像生成
在获得最终的有根据提示和视觉参考后，使用专有的图像生成模型 NanoBananaPro 合成对应的图像，初步得到约3万张原始样本。
-
Step 4: 数据过滤
使用 Seed 1.8 从多个维度对生成的样本进行评分，包括搜索必要性、内容正确性、提示一致性、视觉美感、文本清晰度及安全性。同时结合基于规则的过滤，例如移除 Token 过长或搜索结果不一致的提示。经过层层筛选，最终获得约1.7万个高质量、人工验证的样本，构成后续的训练集（如 Gen-Teacher-SFT-10K, Gen-Teacher-RL-6k）。
小结
Gen-Searcher 的核心价值在于其系统化的数据合成流程与严谨的智能体流程编排。它将 AgenticRAG 的思想创造性地应用于图像生成，通过强化学习优化搜索策略，旨在解决生成内容的事实性、准确性问题。这为追求高精度、可解释的图像生成提供了值得借鉴的工程化思路。对这类结合搜索与生成的智能体应用感兴趣的朋友，可以在 云栈社区 的人工智能板块找到更多相关的讨论与开源实战项目分析。
参考文献
- Gen-Searcher: Reinforcing Agentic Search for Image Generation, https://arxiv.org/pdf/2603.28767
| 
发表于 5 天前
|
查看: 40|
回复: 0
