CLEAR：通过代理反思的经验对比学习进行上下文增强

大型语言模型代理依赖有效上下文进行决策，但现有方法多直接复用过往经验，增加了推理负担。本文提出 CLEAR 框架，利用代理反思对过往执行轨迹进行对比分析，总结任务特定的有用上下文。通过监督微调和强化学习训练上下文增强模型（CAM），使其学会生成而非检索知识。在 AppWorld 和 WebShop 基准测试中，CLEAR 显著提升了任务完成率和奖励得分，证明了其生成定制化上下文的有效性。