ACR：通过上下文重构操作符实现多轮对话的自适应上下文重构

大型语言模型（LLMs）在多轮对话中表现出色，但在长期交互中仍难以保持与先前内容的一致性，避免事实错误。现有方法主要依赖扩展上下文窗口、引入外部记忆或进行上下文压缩，但存在上下文惯性和状态漂移等局限。为此，本文提出ACR框架，通过动态监控和重构对话历史，主动缓解上述问题。该框架基于一组上下文重构操作符，并采用教师引导的自我演化训练范式，学习何时干预以及如何重构上下文，从而将上下文管理与推理过程解耦。实验表明，该方法在多轮对话任务中显著优于现有基线，同时减少了token消耗。