RE-TRAC：面向深度搜索智能体的递归轨迹压缩

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状态或维持长上下文下的全局意识，易导致局部最优。本文提出 Re-TRAC 框架，通过在每次轨迹后生成结构化状态表示（总结证据、不确定性及未来计划），并以此条件化后续轨迹，实现跨轨迹探索。该方法将研究重构为渐进过程，支持迭代反思与全局规划。实验表明，Re-TRAC 在 BrowseComp 基准上优于 ReAct 15-20%，且显著减少工具调用与令牌消耗，实现了更精准的定向探索。