RE-TRAC：面向深度搜索智能体的递归轨迹压缩方法

基于大语言模型的深度研究智能体多采用ReAct框架，其线性设计难以回溯早期状态、探索替代路径或在长上下文中保持全局感知，易陷入局部最优与冗余搜索。本文提出Re-TRAC框架，通过在每条轨迹后生成结构化状态表示，汇总证据、不确定性、失败原因及后续计划，并以此引导后续轨迹，实现跨轨迹探索、迭代反思与全局信息驱动的规划，将研究重构为渐进式过程。实验表明，Re-TRAC在BrowseComp上相较ReAct提升15–20%；针对小模型引入Re-TRAC感知的监督微调，达到同规模SOTA性能。此外，工具调用与token消耗随轮次单调下降，表明其通过跨轨迹反思实现高效定向探索。