ARC：面向长程信息搜寻智能体的主动反思驱动上下文管理
人工智能
2026-01-21 v1
摘要
大型语言模型越来越多地被部署为用于深度搜索和长程信息搜寻的研究智能体，然而，随着交互历史的增长，其性能往往会下降。这种退化被称为上下文腐烂，反映了在扩展的推理过程中未能维持连贯且与任务相关的内部状态。现有方法主要通过原始累积或被动摘要来管理上下文，将其视为静态产物，并允许早期错误或错位的重点持续存在。受此观点启发，我们提出了 ARC，这是首个将上下文管理系统地形式化为一个主动的、反思驱动过程的框架，该过程将上下文视为执行期间的动态内部推理状态。ARC 通过反思驱动的监控和修订来操作化这一观点，允许智能体在检测到错位或退化时主动重新组织其工作上下文。在具有挑战性的长程信息搜寻基准上的实验表明，ARC 始终优于被动上下文压缩方法，在 BrowseComp-ZH 上使用 Qwen2.5-32B-Instruct 时，准确率绝对提升了高达 11%。
引用
@article{arxiv.2601.12030,
title = {ARC: Active and Reflection-driven Context Management for Long-Horizon Information Seeking Agents},
author = {Yilun Yao and Shan Huang and Elsie Dai and Zhewen Tan and Zhenyu Duan and Shousheng Jia and Yanbing Jiang and Tong Yang},
journal= {arXiv preprint arXiv:2601.12030},
year = {2026}
}
备注
15 pages, 5 figures