自适应一致性图：让长程Agent持续对齐需求与证据

大语言模型Agent通常可以对短任务做出合理的本地决策，但当成功需要长序列的相关操作和工具调用时，它们的性能会下降。在执行过程中，任务需求、历史证据和当前执行状态可能会逐渐脱节，因此后续决策可能会偏离最初的目标。我们通过引入用于长时域执行的自适应一致性图（ACG）来研究这个问题。 ACG 在持久图中逐步组织执行证据及其来源，然后在有界上下文预算下为每个决策构建一个以需求为中心的临时视图。 ACG 不是取代基础Agent的规划器或工具执行器，而是为每个决策提供结构化且可追踪的上下文视图。在匹配评估中，ACG 将 GPT-5.6-luna 的平均成功率从 ReAct 的 44.5\% 提高到 50.2\%，其中 BrowseComp-Plus 的增益最大（73.5\% vs 62.4\%）。我们进一步分析轨迹结构和推理成本来表征这种改进。