ARC：面向长程信息搜寻智能体的主动式反思驱动上下文管理

大语言模型日益被部署为执行深度搜索与长程信息搜寻的研究智能体，但随着交互历史增长，其性能常常退化。这种被称为上下文腐烂（context rot）的退化，反映出智能体无法在延长的推理跨度上维持连贯且与任务相关的内部状态。现有方法主要通过原始累积或被动摘要来管理上下文，将其视为静态产物，导致早期错误或错位的重点得以延续。基于这一视角，我们提出 ARC，首个把上下文管理系统性地形式化为主动的、反思驱动过程的框架，在执行期间将上下文视为动态的内部推理状态。ARC 通过反思驱动的监控与修订来落实这一观点，使智能体在检测到失配或退化时能够主动重组其工作上下文。在具有挑战性的长程信息搜寻基准上的实验表明，ARC 持续优于被动上下文压缩方法，在 BrowseComp-ZH 上配合 Qwen2.5-32B-Instruct 取得最高 11% 的绝对准确率提升。