迷失迷宫：克服长程智能体搜索中的上下文限制
计算与语言
2025-10-23 v1
摘要
长程智能体搜索要求在长轨迹上迭代探索网络并综合多个信息源的信息，是实现深度研究系统等强大应用的基础。在本工作中，我们表明，流行的智能体搜索框架难以扩展到长轨迹，主要原因是上下文限制——它们积累了冗长且嘈杂的内容，触及上下文窗口和工具预算上限，或者过早停止。随后，我们引入了 SLIM（Simple Lightweight Information Management，简单轻量信息管理），这是一个简单的框架，它将检索分离为独立的搜索和浏览工具，并周期性地总结轨迹，在保持上下文简洁的同时实现更长、更聚焦的搜索。在长程任务上，SLIM 在多个基础模型上以显著更低的成本和远少于强开源基线的工具调用次数实现了可比的性能。具体而言，以 o3 为基础模型时，SLIM 在 BrowseComp 上达到 56%，在 HLE 上达到 31%，分别以 8 和 4 个绝对百分点优于所有开源框架，同时工具调用次数减少了 4-6 倍。最后，我们发布了一个自动化的细粒度轨迹分析流程和错误分类法，用于表征长程智能体搜索框架；SLIM 比先前的系统产生更少的幻觉。我们希望我们的分析框架和简单的工具设计能为未来的长程智能体提供参考。
引用
@article{arxiv.2510.18939,
title = {Lost in the Maze: Overcoming Context Limitations in Long-Horizon Agentic Search},
author = {Howard Yen and Ashwin Paranjape and Mengzhou Xia and Thejas Venkatesh and Jack Hessel and Danqi Chen and Yuhao Zhang},
journal= {arXiv preprint arXiv:2510.18939},
year = {2025}
}
备注
Code and data are available here: https://github.com/howard-yen/SLIM