Para reducir las pérdidas económicas causadas por la evasión de la deuda entre los prestatarios de enlaces perdidos (LBs) y mejorar la eficiencia de encontrar información sobre los LBs, este documento se centra en el problema de optimización de búsqueda colaborativa de información entre plataformas para LBs. Dadas las limitaciones de la heterogeneidad de plataforma/sistema, la diversidad de tipos de datos y la complejidad del control colaborativo en la búsqueda de información entre plataformas para LBs, se propone un modelo de búsqueda colaborativa de información para LBs basado en tecnología multiagente. Además, se diseña un algoritmo de aprendizaje multiagente para la programación colaborativa de subtares de búsqueda múltiple. Utilizamos el algoritmo de aprendizaje basado en aproximación de funciones para actualizar el modelo de descripción de los LBs. El problema de búsqueda colaborativa de multiagente se transforma en un problema de aprendizaje por refuerzo definiendo estados de búsqueda, acciones de búsqueda y funciones de recompensa. Los resultados indican que: (i) este modelo mejora considerablemente la exhaustividad y precisión de la búsqueda de información clave de LBs en comparación con los motores de búsqueda tradicionales; (ii) durante la búsqueda de información de LBs, el agente tiende más a buscar en plataformas y tipos de datos con mayores recompensas ambientales, y el algoritmo de aprendizaje de multiagente tiene una mayor capacidad para adquirir valor de información que el algoritmo de matriz de probabilidad de transición y el algoritmo estadístico de probabilidad para el mismo número de búsquedas; (iii) los tiempos de búsqueda óptimos del algoritmo de aprendizaje de multiagente están entre 14 y 100. Los usuarios pueden configurar de forma flexible el número de búsquedas dentro de este rango. Es significativo para mejorar la eficiencia de encontrar información clave relacionada con LBs.