LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents

论文速览

核心问题: 长时域搜索 Agent 需要在推理、调用工具、观察信息的过程中管理快速膨胀的工作上下文。简单地累积所有中间内容会压垮 Agent，增加成本和错误风险。

核心贡献: 提出 Context-ReAct 范式，引入五个原子操作（Skip、Compress、Rollback、Snippet、Delete）实现弹性上下文编排。基于此开发 LongSeeker，在四个搜索基准上大幅超越 Tongyi DeepResearch 和 AgentFold。

核心思想

Context-ReAct 范式

Context-ReAct 将推理、上下文管理和工具调用统一到一个循环中，提供五个原子操作：

操作	功能	适用场景
Skip	跳过无关观察，不写入上下文	过滤噪声信息
Compress	压缩已解析信息为摘要	减少 token 消耗
Rollback	回退到历史检查点	纠正错误分支
Snippet	提取关键片段保留	保留重要证据
Delete	删除无用分支	控制上下文大小

理论基础

• Compress 操作表达完全性: 证明 Compress 能表达任何其他操作的主要功能
• 其他操作提供效率和保真度保证: 专门的 Skip/Delete 比通用压缩更高效
• 降低生成成本和幻觉风险: 通过主动管理上下文减少无关信息干扰

LongSeeker 系统

基于 Context-ReAct 范式微调的 Agent： - 基座模型: Qwen3-30B-A3B - 训练数据: 10k 合成轨迹 - 任务类型: 长时域搜索

技术细节

上下文管理策略

LongSeeker 根据当前任务相关性动态维护不同细节级别的轨迹部分：

高相关性 → 保留原始细节（Snippet/Skip）
中相关性 → 压缩保留（Compress）
低相关性 → 删除（Delete）
过时分支 → 回退（Rollback）

实验结果

基准	LongSeeker	Tongyi DeepResearch	AgentFold
BrowseComp	61.5%	43.2%	36.2%
BrowseComp-ZH	62.5%	46.7%	47.3%

大幅超越基线系统，验证了弹性上下文管理的有效性。

为什么重要

1. 首个完整范式: 将工作上下文管理形式化为可证明的原子操作集合
2. 实用系统: 不仅有理论，还有在真实长时域搜索任务上大幅超越商业系统的实践
3. 成本意识: 通过主动管理上下文降低 LLM 调用成本（减少 token 消耗）
4. 可靠性提升: 减少无关信息干扰，降低幻觉风险

与端侧/移动端的相关性

• 低计算开销: 原子操作轻量，适合资源受限环境
• 减少云端依赖: 本地决策哪些信息保留/删除
• 隐私保护: 不必要的信息可以立即删除，不留痕迹
• 长对话场景: 适合移动端个人助手的长时对话管理

核心贡献

1. Context-ReAct 范式: 统一的弹性上下文编排框架
2. 五个原子操作: Skip/Compress/Rollback/Snippet/Delete
3. LongSeeker 系统: 基于 Qwen3-30B-A3B 微调的实践系统
4. 理论保证: Compress 表达完全性 + 其他操作的效率保证

参考文献

• Context management in LLM agents
• Working memory models
• Long-horizon reasoning tasks