Overview
训练深度搜索智能体需要的不是「看起来很长」的任务，而是答案出现前的长证据前缀：求解器必须先收集足够证据，才有条件锁定答案。现有合成管线常靠加 hops、加图结构、加层级约束或加大证据分散来抬高表观难度，但结构复杂度不一定变成 agent 实际经历的长程证据获取——求解过程可能塌缩到更便宜的 identifying route。
当前主题以 FORT-Searcher 为起点。它还不是深度搜索训练的完整综述，而是一张问题地图：什么决定实现难度、shortcut 如何让任务变浅、轨迹里该看什么信号、以及构造期能怎样压住这些风险。
问题地图
什么才是“难”
深度搜索难度不由题面 hops 或证据图大小直接决定，而由最便宜的 identifying route 决定。求解器不必验证全部线索，只要某个 identifying subset 已能唯一锁定答案，任务就可能沿这条弱路径被解掉。详见 实现难度与 Shortcut。
为什么任务会变浅
Shortcut 是让题目以少于设计意图的证据获取被解掉的机制。当前已归纳四类：single-clue selectivity、evidence co-coverage、exposed constants、prior-knowledge binding。前三类压低结构下界，第四类来自模型侧先验绑定。详见 实现难度与 Shortcut。
怎样观察真实搜索负载
理论下界在开放网页搜索上难以全量计算，因此需要轨迹签名。Realized solving cost 看总查询数，answer hit time 看答案首次出现位置，prior-shortcut rate 看模型是否在证据前点名答案。真正有用的是长 pre-answer search，而不是长轨迹本身。详见 轨迹签名。
构造期如何压住风险
FORT 把上述诊断反过来用于数据合成：从图初始化、图扩展、问题表述到对抗精炼，持续压制过选择性线索、证据共覆盖、暴露常量和先验绑定。系统细节与训练结果见 FORT-Searcher。
共同主张
有用的深度搜索监督是「答案出现前的长前缀」，不是「总检索步数很长」。当前证据主要来自 FORT 一篇来源，因此本 topic 暂时把 FORT 作为系统证据锚点，而不把它写成领域全貌。待扩展问题包括：同类诊断在不同搜索后端和求解器上是否稳定、RL 是否能进一步利用这类数据、推理侧 context management 对 headline 分数的贡献占比有多大。