OpenSeeker-v2: Pushing the Limits of Search Agents with Informative and High-Difficulty Trajectories

Paper: arXiv:2605.04036 Code: PolarSeeker/OpenSeeker Code reference: main @ 954a286a (2026-05-22)

1. Motivation (研究动机)

当前 frontier search agents 的主要瓶颈不是单纯“有没有浏览器工具”，而是强搜索能力的训练路线被工业级闭源管线垄断：论文把典型 recipe 概括为大规模 pre-training / continual pre-training (CPT) → SFT → RL，多阶段管线依赖大算力、私有数据与复杂训练基础设施，导致学术团队很难复现或迭代同等规模的 Deep Research agent。

OpenSeeker-v2 想回答一个更尖锐的问题：如果只使用标准 SFT，能不能通过更难、更信息密集的 ReAct trajectories，把约 30B 规模 search agent 推到接近甚至超过重型 CPT+SFT+RL 管线的水平？这与 OpenSeeker: Democratizing Frontier Search Agents by Fully Open-Sourcing Training Data 的延续关系很明确：v1 已经证明 open-source SFT baseline 可行，v2 进一步把注意力从“训练阶段复杂度”转回“trajectory 数据质量”。

这个问题值得研究的原因有三点。第一，如果 SFT-only 能成立，search-agent 研究的门槛会从昂贵 RL/CPT pipeline 转向可检查、可扩展的数据合成策略。第二，deep search 的核心能力是长程信息搜集、多跳证据聚合、工具调用规划；这些能力很可能更依赖训练轨迹中是否真的包含长 horizon 搜索，而不只是优化算法是否复杂。第三，OpenSeeker-v2 的结果为 academic/open-source 社区提供了一个强 baseline：用 10.6k 条高难轨迹训练的 30B ReAct agent，在四个 benchmark 上达到 46.0 / 58.1 / 34.6 / 78.0。

2. Idea (核心思想)

核心 insight 是：search agent 的能力上限可以被训练 trajectories 的信息密度和难度显著抬高；当轨迹本身迫使模型做多跳探索、使用更丰富工具、走更长工具调用链时，标准 SFT 也能学习到强长程搜索策略。论文并不是提出一个复杂 RL objective，而是把“训练样本是否足够难”当作主要杠杆。

OpenSeeker-v2 的关键创新很简单：在数据合成阶段扩大 source graph 的拓扑扩展半径，让问题天然需要跨多个节点聚合证据；扩大工具集合，让 trajectory 展示更多功能模式；再用 strict low-step filtering 删除太容易的轨迹，保证训练集有最低难度地板。最终只保留 10.6k 条样本，但这些样本平均工具调用步数达到 64.67，高于 OpenSeeker-v1 的 46.97 和 RedSearcher 的 36.01。

与 Tongyi DeepResearch、RedSearcher、WebSailor-V2-RL 这类重型或 RL-enhanced 路线相比，OpenSeeker-v2 的根本差别是把训练 recipe 从“多阶段优化”简化为“SFT on harder trajectories”。这并不说明 RL 对 search agent 没价值，而是说明在约 30B ReAct-based agent 这个 setting 下，数据合成质量本身已经能带来非常大的增益。

3. Method (方法)

3.1 Overall framework：SFT-only search agent from high-difficulty trajectories

论文没有给出传统意义上的 pipeline architecture diagram；Figure 1 是一个 performance overview，用来说明 OpenSeeker-v2 在同等模型规模和 ReAct paradigm 内的相对位置。方法本身可以拆成四步：从 source graph 合成更复杂 query；让 agent 在更大工具集合下产生 ReAct trajectory；按工具调用步数过滤掉简单样本；最后用标准 SFT 训练 Qwen3-30B-A3B-Thinking-2507 初始化的 search agent。

Figure 1 解读：这张图不是训练架构图，而是把 OpenSeeker-v2 放在四个 deep-search benchmark 的 leaderboard 语境中。它强调同一件事：OpenSeeker-v2 使用 SFT-only，却在 BrowseComp、BrowseComp-ZH、HLE 和 xbench 上超过多个约 30B 的 ReAct-based search agents，甚至超过使用 CPT+SFT+RL 的 Tongyi DeepResearch。读图时应把它理解为“数据质量路线”的结果证据，而不是一个额外模型模块。

直觉上，SFT 不是只能学习短 answer pattern；如果 demonstration trajectories 本身包含足够长的 search loop，模型会被迫模仿“先提出检索假设 → 调用工具 → 从 observation 中抽取证据 → 修正查询/继续访问 → 最后回答”的行为分布。OpenSeeker-v2 的设计就是把简单 lookup 样本从训练集中剔除，让 SFT gradient 主要来自长 horizon 的行为轨迹。

3.2 Scaling graph size：用更大的 source subgraph 生成多跳问题

论文把源信息表示为图： $G = (V, E) .$ 对每个 seed node $v_{seed} \in V$ ，原始 pipeline 会围绕 seed 构造一个局部子图。OpenSeeker-v2 把 expansion budget 从 $k$ 提高到 $K$ ，其中 $K > k$ ，得到更大的 evidence subgraph： $G_{sub}^{(K)} = Expand (G, v_{seed}, K) .$ 随后 query generator 在扩展后的证据上下文上采样问题： $q \sim P_{gen} (q ∣ G_{sub}^{(K)}) .$ 这个组件的输入是 source graph 与 seed node，输出是更大、更丰富的 evidence subgraph 以及由它条件生成的问题 $q$ 。作者需要它，是因为一个小局部图容易产生单点事实查询；扩大拓扑上下文会增加可行 reasoning paths 的数量和多样性，使问题更可能需要多跳证据聚合。如果移除这一步，后续 trajectory 即使很长也可能只是重复浅层搜索，而不是由任务结构强制出的长程探索。

def synthesize_query_from_expanded_graph(source_graph, seed_node, K, query_generator):
    """Paper-level pseudocode; data-synthesis code is not released in PolarSeeker/OpenSeeker."""
    evidence_subgraph = expand_graph(source_graph, seed_node, budget=K)
    query = query_generator.sample(condition=evidence_subgraph)
    return query, evidence_subgraph

3.3 Expanding the tool set：让 ReAct trajectory 展示更多功能模式

给定合成问题 $q$ ，OpenSeeker-v2 让 agent 在扩展工具集合 $A$ 下生成多步 ReAct-style trajectory： $τ = (r_{1}, a_{1}, o_{1}, r_{2}, a_{2}, o_{2}, \dots, r_{T}, a_{T}, o_{T}, r_{T + 1}, y),$ 其中 $a_{t} \in A$ 是第 $t$ 次工具调用， $o_{t}$ 是工具返回 observation， $r_{t}$ 是 action 前的 reasoning trace， $r_{T + 1}$ 是最终回答前的 reasoning， $y$ 是答案。这个组件的输入是 query $q$ 与工具集合 $A$ ，输出是带 reasoning / action / observation 交替结构的 trajectory $τ$ 。

released code 中，v2 推理侧的工具集合由 tools_visit + tools_e2b 组成：search、visit、create_sandbox、run_command、run_python_code、upload_file_from_local_to_sandbox、download_file_from_internet_to_sandbox。这支持普通网页搜索/访问，也支持在 E2B sandbox 内执行轻量 shell/Python 或文件搬运。它对应论文里的“broader functionality”，但注意：repo 只给出推理/评测工具接口，没有公开生成训练 trajectory 的完整数据合成代码。

def execute_tool_call(tool_name: str, tool_args: dict, filter_huggingface: bool = True) -> str:
    """Mirrors src/llm_tool_openseeker_v2.py::_execute_tool at main@954a286a."""
    if tool_name == "search":
        return Search({"filter_huggingface": filter_huggingface}).call(tool_args)
    if tool_name in ("visit", "visit_summary"):
        return Visit().call(tool_args)
 
    validate_e2b_tool_args(tool_name, tool_args)
    if tool_name == "create_sandbox":
        return create_sandbox(timeout=int(tool_args.get("timeout", 600)))
    if tool_name == "run_command":
        return run_command(tool_args["command"], tool_args["sandbox_id"])
    if tool_name == "run_python_code":
        return run_python_code(tool_args["code_block"], tool_args["sandbox_id"])
    if tool_name == "upload_file_from_local_to_sandbox":
        return upload_file_from_local_to_sandbox(
            tool_args["sandbox_id"], tool_args["local_file_path"], tool_args.get("sandbox_file_path", "/home/user")
        )
    if tool_name == "download_file_from_internet_to_sandbox":
        return download_file_from_internet_to_sandbox(
            tool_args["sandbox_id"], tool_args["url"], tool_args.get("sandbox_file_path", "/home/user")
        )
    return "Unknown tool or call tool with incorrect format."

3.4 Strict low-step filtering：删除“太容易”的 trajectory

为了避免训练集被浅层 lookup 任务污染，论文定义了低步数过滤： $D_{v2} = {(q, τ) \in D_{raw} ∣ T (τ) \geq T_{m i n}} .$ 这里 $T (τ)$ 是 trajectory 的工具调用步数， $T_{m i n}$ 是预设最小工具调用阈值。输入是 raw synthesized dataset $D_{raw}$ ，输出是 filtered dataset $D_{v2}$ 。它优化的不是一个 differentiable loss，而是训练数据分布：过滤后 SFT 看到的 demonstration 更偏向长程、多工具、多证据链。如果移除它，模型会从大量短轨迹中学习到“快速直接答复”或“浅检索即停止”的策略，削弱长 horizon search 习惯。

def strict_low_step_filter(raw_dataset, t_min: int):
    """Paper-level pseudocode; released repo does not expose the trajectory-filtering script."""
    kept = []
    for query, trajectory in raw_dataset:
        tool_steps = count_tool_calls(trajectory)
        if tool_steps >= t_min:
            kept.append((query, trajectory))
    return kept

3.5 SFT objective：论文只说明 standard SFT，没有给完整训练配置

论文正文只写 OpenSeeker-v2 “trains the search agent with a standard SFT objective over the filtered dataset”，没有展开 token-level loss、learning rate、batch size、训练步数、训练硬件或 optimizer。为了理解，可把它视作在 filtered trajectories 上做标准 next-token negative log-likelihood： $L_{SFT} (θ) = - \sum_{(q, τ) \in D_{v2}} \sum_{i = 1}^{∣ τ ∣} lo g p_{θ} (τ_{i} ∣ q, τ_{< i}) .$ 但这条公式是 standard SFT 的解释性写法，不是论文显式给出的新公式。可复现性上要注意：released repo 当前公开的是模型运行和评测 harness，不包含 SFT training script、数据合成脚本或超参配置。因此所有训练细节中只有论文明确写出的数值可作为事实：10.6k training samples、Qwen3-30B-A3B-Thinking-2507 初始化、30B total / 3B activated、256k context、最多 200 次 tool calls、SFT-only、no RL、no additional hyperparameter tuning。

3.6 Released-code inference loop：v2 agent 如何跑 ReAct 工具调用

released code 的核心是 src/llm_tool_openseeker_v2.py::call_llm_with_tool 和 solve_query_with_tools。它用 OpenAI-compatible /v1/completions endpoint 调用本地/远端 SGLang-served model，把 system/user/tool messages 渲染进 chat template；每轮从模型输出里解析 <tool_calls_begin> ... <tool_call>...</tool_call> 形式的 JSON 工具调用；执行工具并把 observation 追加回 messages；直到模型产生 <answer> 或达到 tool_count_max。

def solve_query_with_tools(query: str, model_endpoint: str, tool_count_max: int = 200, max_tokens: int = 32768):
    """Code-grounded pseudocode from src/llm_tool_openseeker_v2.py and eval/generate_answer_v2.py."""
    messages = [
        {"role": "system", "content": "You are a tool-augmented QA agent..."},
        {"role": "user", "content": query},
    ]
    tool_count = 0
    trace = []
 
    while True:
        prompt = render_chat_template(messages, tools=tools_visit + tools_e2b)
        completion = stream_completion(model_endpoint, prompt, max_tokens=max_tokens)
        reasoning, content = split_think_and_content(completion)
        cleaned_text, tool_calls, parse_error = parse_tool_calls_from_text(content)
        messages.append({"role": "assistant", "content": completion})
        trace.append({"type": "model_message", "reasoning": reasoning, "tool_calls": tool_calls})
 
        if has_answer_tag(content):
            break
        if not tool_calls:
            tool_count += 1
            messages.append({"role": "tool", "name": "unknown", "content": parse_error})
            if tool_count >= tool_count_max:
                break
            continue
 
        for call in tool_calls:
            output = execute_tool_call(call["function"]["name"], call["function"]["arguments"])
            messages.append({"role": "tool", "name": call["function"]["name"], "content": output})
            trace.append({"type": "tool_response", "content": output})
            tool_count += 1
            if tool_count >= tool_count_max:
                disable_further_tools_and_force_final_answer()
                break
 
    return {"answer": extract_last_answer(messages), "tool_calls": tool_count, "trace": trace}

3.7 Evaluation harness：批量生成 answer 并记录 full trajectory

eval/generate_answer_v2.py 负责从 JSONL dataset 读取 query，默认给 query 追加 \boxed{} 最终答案格式要求；并发调用 solve_query_with_tools；把 final_response、tool_calls、elapsed_seconds、context_chars、context_est_tokens、finish_reason、full_traj 和 trace 写入 result_tool{tool_count_max}.jsonl。默认 tool_count_max=200，max_worker=60，filter_huggingface=True，这与论文“最多 200 tool calls、mask Hugging Face links 避免泄漏”的评测描述一致。

async def generate_answers_v2(dataset_path, out_dir, max_worker: int = 60, tool_count_max: int = 200):
    """Code-grounded pseudocode from eval/generate_answer_v2.py at main@954a286a."""
    examples = read_jsonl(dataset_path)
    examples = append_box_instruction(examples)
    result_path = out_dir / f"result_tool{tool_count_max}.jsonl"
    semaphore = asyncio.Semaphore(max_worker)
 
    async def process_one(example):
        async with semaphore:
            result = await asyncio.to_thread(
                solve_query_with_tools,
                example["query"],
                max_tokens=32768,
                tool_count_max=tool_count_max,
                filter_huggingface=True,
                return_full_traj=True,
            )
            row = dict(example)
            row.update({
                "final_response": result["answer"],
                "tool_calls": result["tool_calls"],
                "full_traj": result["full_traj"],
                "trace": result["trace"],
            })
            append_jsonl(result_path, row)
 
    await asyncio.gather(*(process_one(x) for x in examples))

3.8 论文公式与 released code 实现差异

论文公式与 released code 实现差异：论文的核心方法是 training-data synthesis 与 SFT training，而 PolarSeeker/OpenSeeker 在 main@954a286a 主要公开了模型 serving、tool-augmented inference、evaluation scripts 和工具接口；没有公开 Expand(\mathcal{G}, v_{\mathrm{seed}}, K)、 $P_{gen} (q ∣ G_{sub}^{(K)})$ 、low-step filtering、SFT training loop、学习率/batch/optimizer 等训练配置。另一个小差异是 run_openseeker.sh 默认 MODEL_PATH="path/to/OpenSeeker-v1-30B-SFT"，README 的 v2 使用说明要求用户手动改成 OpenSeeker-v2-30B-SFT。

Code reference: main @ 954a286a (2026-05-22) — pseudocode and mapping based on this commit

Paper Concept	Source File	Key Class/Function
OpenSeeker-v2 tool-augmented ReAct inference	`src/llm_tool_openseeker_v2.py`	`call_llm_with_tool`, `solve_query_with_tools`, `_parse_tool_calls_from_text`
Expanded tool set $A$ for v2 inference	`src/llm_tool_openseeker_v2.py`	`tools_visit`, `tools_e2b`, `tools_all = tools_visit + tools_e2b`, `_execute_tool`
Web search tool	`src/tools/search.py`	`Search.call`, Serper/Tavily dispatch, Hugging Face filtering
Web visit / summarization tool	`src/tools/visit.py`	`Visit.call`, `readpage_jina`, summary API call
Sandbox/code tools	`src/tools/e2b_sandbox_tools.py`	`create_sandbox`, `run_command`, `run_python_code`, upload/download helpers
v2 batch answer generation and metrics	`eval/generate_answer_v2.py`	`main`, `process_one`, `compute_metrics`, result JSONL/log paths
Model serving config	`run_openseeker.sh`	SGLang launch, `CONTEXT_LENGTH=256000`, default `GPU_IDS="0,1,2,3"`, `MAX_RUNNING_REQUESTS=2000`
Data synthesis / graph expansion / low-step filtering / SFT training	Not released in repo	Paper-only formulas and descriptions; no source implementation found in this repo

4. Experimental Setup (实验设置)

Training data and model

Training data: OpenSeeker-v2 使用 10.6k 条 high-difficulty synthesized trajectories；OpenSeeker-v1 对照为 11.7k 条。论文没有披露原始 source graph 的规模、 $K$ / $k$ 的具体取值、 $T_{m i n}$ 、过滤前样本数或各工具类型比例。
Base model: Qwen3-30B-A3B-Thinking-2507，30B total parameters，inference 时 3B activated parameters。
Context / tool budget: 256k context window；每条 trajectory 最多允许 200 次 tool calls。released repo 的 run_openseeker.sh 也设置 CONTEXT_LENGTH=256000；eval/generate_answer_v2.py 默认 tool_count_max=200。
Training recipe: SFT-only；论文明确说 without RL or additional hyperparameter tuning，但没有给 learning rate、batch size、训练步数、训练硬件或 optimizer。released repo 没有 training config，因此这些数字不能从代码补全。

Evaluation datasets / benchmarks

论文评测四个 deep-search benchmark：BrowseComp、BrowseComp-ZH、Humanity’s Last Exam (HLE)、xbench-DeepSearch。正文第 2.2 节写成 “five challenging agentic benchmarks”，但随后只列出四个名字；表格和摘要也都是四个指标，因此这里按四个 benchmark 记录。论文没有给出各 benchmark 的 evaluation sample count，只说明它们覆盖 diverse deep research tasks，并在调用 web search tools 时 mask Hugging Face 相关链接以避免泄漏。

Baselines

主要对比对象是同规模 ReAct-based search agents：WebSailor-V2-30B-SFT/RL、WebLeaper-30B-SFT/RL、Tongyi DeepResearch、RedSearcher-30B、OpenSeeker-v1-30B-SFT。论文也列出闭源 proprietary models（Claude-4-Opus、Claude-4.5-Sonnet、Gemini-3-pro、OpenAI-o3、OpenAI Deep Research、GPT-5-High）和更大 open-source models（DeepSeek-V3.1/V3.2-671B、GLM-4.6/4.7-357B、Minimax-M2-230B）作为 broader reference。

Metrics

表格中的数值是各 benchmark 的 percent score / accuracy-style score，越高越好。# Samples 指训练数据样本数；Training 指训练阶段组合（CPT、SFT、RL）；Academic 表示是否由纯学术团队完成；BC-ZH 是 BrowseComp-ZH。

5. Experimental Results (实验结果)

5.1 Main benchmark numbers

Model	# Samples	Training	Academic	BrowseComp	BC-ZH	HLE	xbench
Claude-4-Opus	?	?	×	18.8	37.4	-	-
Claude-4.5-Sonnet	?	?	×	24.1	42.4	32.0	-
Gemini-3-pro	?	?	×	37.8	66.8	45.8	-
OpenAI-o3	?	?	×	49.1	68.7	20.2	65.0
OpenAI Deep Research	?	?	×	51.5	42.9	26.6	-
GPT-5-High	?	?	×	54.9	63.0	41.7	-
DeepSeek-V3.1-671B	?	?	×	30.0	49.2	29.8	71.2
DeepSeek-V3.2-671B	?	?	×	51.4	65.0	40.8	-
GLM-4.6-357B	?	?	×	45.1	49.5	30.4	-
GLM-4.7-357B	?	?	×	52.0	66.6	42.8	-
Minimax-M2-230B	?	?	×	44.0	48.5	-	-
WebSailor-V2-30B-SFT	?	SFT	×	24.4	28.3	23.9	61.7
WebSailor-V2-30B-RL	?	SFT + RL	×	35.3	44.1	30.6	73.7
WebLeaper-30B-SFT	15k	SFT	×	27.7	-	-	66.0
WebLeaper-30B-RL	?	RL	×	38.8	-	-	72.0
Tongyi DeepResearch	?	CPT + SFT + RL	×	43.4	46.7	32.9	75.0
RedSearcher-30B	?	CPT + SFT + RL	×	42.1	49.8	34.3	-
OpenSeeker-v1-30B-SFT	11.7k	SFT	✓	29.5	48.4	-	74.0
OpenSeeker-v2-30B-SFT	10.6k	SFT	✓	46.0	58.1	34.6	78.0

最重要的结论是：在约 30B ReAct-based search agents 里，OpenSeeker-v2 用 SFT-only 达到最强整体表现。相对 Tongyi DeepResearch，OpenSeeker-v2 在 BrowseComp 上高 2.6 分（46.0 vs 43.4），在 BrowseComp-ZH 上高 11.4 分（58.1 vs 46.7），在 HLE 上高 1.7 分（34.6 vs 32.9），在 xbench 上高 3.0 分（78.0 vs 75.0）。相对 RedSearcher-30B，OpenSeeker-v2 在 BrowseComp 上高 3.9 分（46.0 vs 42.1），在 BrowseComp-ZH 上高 8.3 分（58.1 vs 49.8），在 HLE 上高 0.3 分（34.6 vs 34.3）。

5.2 Scaling from OpenSeeker-v1 to v2

OpenSeeker-v2 相比 OpenSeeker-v1 的增益很大，而且训练样本数还略少：BrowseComp 从 29.5 提升到 46.0（+16.5），BrowseComp-ZH 从 48.4 提升到 58.1（+9.7），xbench 从 74.0 提升到 78.0（+4.0）。这支持作者的判断：OpenSeeker 框架在 SFT setting 下尚未饱和，继续提升 synthesized QA tasks 的难度与信息丰富度仍然可能带来可观收益。

Figure 2 解读：这张图比较 RedSearcher、OpenSeeker-v1 和 OpenSeeker-v2 训练数据中的工具调用步数分布。OpenSeeker-v2 的平均 tool calls 是 64.67，高于 OpenSeeker-v1 的 46.97 和 RedSearcher 的 36.01；因此 v2 不只是“样本更少但更干净”，而是把训练分布推向更长、更难的搜索过程。这个结果与低步数过滤的设计相互印证：过滤短轨迹后，模型在 SFT 中看到的 demonstration 更集中于长程信息寻找。

5.3 Ablation / component evidence

论文没有给出标准 ablation table，例如单独移除 graph scaling、tool expansion 或 low-step filtering 后的分数变化。因此组件贡献主要由两个间接证据支持：第一，v2 对 v1 在同一模型规模和 SFT-only recipe 下显著提升；第二，Figure 2 显示 v2 数据的平均轨迹长度显著更高。这个 evidence 足以支持“更难 trajectory 有帮助”的方向性结论，但不能精确量化三个 modifications 各自贡献多少。

5.4 Limitations and caveats

作者没有单列 limitations section。读者需要注意的可复现性 caveats 是：论文没有披露 $K$ 、 $T_{m i n}$ 、数据合成 prompts、过滤前后样本量、SFT 超参、硬件和训练脚本；released code 也没有这些训练/数据构造部分，只提供模型 serving、工具调用和评测 harness。因此，这篇报告更像一个强 empirical recipe / technical report，而不是完整可复现实验包。

总体结论是：OpenSeeker-v2 用 10.6k 条高难信息密集 trajectories 证明，约 30B ReAct search agent 不一定必须依赖 CPT+SFT+RL 才能达到强性能；在这个任务族里，trajectory 难度、信息密度和长程工具调用分布本身就是非常强的 scaling lever。

Paper Notes

探索

OpenSeeker-v2: Pushing the Limits of Search Agents with Informative and High-Difficulty Trajectories

OpenSeeker-v2: Pushing the Limits of Search Agents with Informative and High-Difficulty Trajectories

1. Motivation (研究动机)

2. Idea (核心思想)

3. Method (方法)

3.1 Overall framework：SFT-only search agent from high-difficulty trajectories

3.2 Scaling graph size：用更大的 source subgraph 生成多跳问题

3.3 Expanding the tool set：让 ReAct trajectory 展示更多功能模式

3.4 Strict low-step filtering：删除“太容易”的 trajectory

3.5 SFT objective：论文只说明 standard SFT，没有给完整训练配置

3.6 Released-code inference loop：v2 agent 如何跑 ReAct 工具调用

3.7 Evaluation harness：批量生成 answer 并记录 full trajectory

3.8 论文公式与 released code 实现差异

4. Experimental Setup (实验设置)

Training data and model

Evaluation datasets / benchmarks

Baselines

Metrics

5. Experimental Results (实验结果)

5.1 Main benchmark numbers

5.2 Scaling from OpenSeeker-v1 to v2

5.3 Ablation / component evidence

5.4 Limitations and caveats

目录