ReTree：用树状结构记忆实现搜索智能体的自我纠错

基于大语言模型（LLM）的搜索智能体通过与外部环境的多步交互来回答问题。然而，向LLM提供完整的执行轨迹会导致上下文无界增长并引入噪声。现有压缩方法以牺牲重要细节为代价缩减上下文，且往往只替换错误事实而不修复由其推导出的下游推理。为解决该问题，我们提出ReTree，一种面向搜索智能体的可自我纠错树状记忆机制。ReTree在保留来源关联证据的同时，构建有界的每步推理上下文。它将搜索建模为一棵证据树，其节点存储有界摘要、证据和修订历史。当新检索到的证据与先前论断矛盾时，ReTree回溯到引入该论断的节点，替换过时证据、重新生成摘要、剪除受影响的分支并恢复搜索。基于来源的证据溯源支持可靠的冲突定位，并使最终论断可追溯至检索到的段落。在四个公开问答与搜索基准上的实验表明，ReTree持续优于Full-Trajectory ReAct，答案准确率最高提升25.6个百分点（pp）；Full-Trajectory ReAct的平均最大每步推理上下文是ReTree的1.27–1.51倍。这些结果确立了ReTree作为长程搜索中有效自我纠错记忆抽象的地位。