大型推理模型（LRMs）如 OpenAI-o1 通过大规模强化学习展现了令人瞩目的多步推理能力。然而，其延伸的推理过程常常因知识不足而产生频繁的不确定性，进而导致潜在错误。为解决这一局限，我们提出 Search-o1，一个通过智能体式检索增强生成（RAG）机制和“在文档中推理”（Reason-in-Documents）模块来提升 LRMs 性能的框架。Search-o1 将智能体式搜索工作流集成到推理过程中，使模型在遇到知识不确定点时能够动态检索外部知识。此外，由于检索到的文档通常内容冗长，我们设计了独立的“在文档中推理”模块，对检索信息进行深度分析，再将其注入推理链，从而有效降低噪声，保持推理过程的连贯性。在科学、数学和编程等复杂推理任务，以及六个开放域问答（QA）基准测试上的大量实验表明，Search-o1 表现优异。该方法显著提升了 LRMs 在复杂推理任务中的可信度与适用性，为构建更可靠、更通用的智能系统铺平了道路。代码已开源，地址为：https://github.com/sunnynexus/Search-o1。