让AI智能体「记住」失败经验：微软提出Re-TRAC框架，4B性能SOTA，30B超越358B

想象一下，你让 AI 助手结合搜索工具探索一个复杂问题。它第一次探索时走错了方向，但第二次、第三次，它依然重复同样的错误探索路径。虽然你可能 可以从最终得到的多次探索结果中挑选出一个勉强满意的答案，但是这既低效，也需要人工干预。这就是当前大多数深度搜索智能体面临的困境——它们无 法「记住」之前的探索经验，每次都是从头开始，导致大量冗余搜索和资源浪费。 现有的深度搜索智能体大多基于 ReAct 框架构建，采用线性推理方式：「思考→调用工具→观察→再思考 」 。这种设计在简单任务上表现良好，但在需 要多轮探索的深度搜索任务中，往往陷入局部最优、重复探索和低效搜索的困境。 来自东南大学、微软亚洲研究院等机构的研究团队提出了一种全新的解决方案—— Re-TRAC （REcursive TRAjectory Compression） ，这个框架让 AI 智能体能够「记住」每次探索的经验，在多个探索轨迹之间传递经验，实现渐进式的智能搜索。 让探索变成「渐进式学习」过程 为什么 ReAct 会失败？ ReAct 框架的核心问题在于其 线性设计 。每个探索轨迹都是独立的，模型无法回顾先前尝试的状态。在长上下文场景下，早期制定 ...