RE-TRAC: Compressione Ricorsiva delle Traiettorie per Agenti di Ricerca Profonda
RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents
February 2, 2026
Autori: Jialiang Zhu, Gongrui Zhang, Xiaolong Ma, Lin Xu, Miaosen Zhang, Ruiqi Yang, Song Wang, Kai Qiu, Zhirong Wu, Qi Dai, Ruichun Ma, Bei Liu, Yifan Yang, Chong Luo, Zhengyuan Yang, Linjie Li, Lijuan Wang, Weizhu Chen, Xin Geng, Baining Guo
cs.AI
Abstract
Gli agenti di ricerca approfondita basati su LLM sono prevalentemente costruiti sul framework ReAct. Questa progettazione lineare rende difficile rivisitare stati precedenti, diramarsi in direzioni di ricerca alternative o mantenere una consapevolezza globale in contesti lunghi, portando spesso a ottimi locali, esplorazioni ridondanti e ricerche inefficienti. Proponiamo Re-TRAC, un framework agentivo che esegue un'esplorazione cross-traiettoria generando una rappresentazione strutturata dello stato dopo ogni traiettoria per riassumere evidenze, incertezze, fallimenti e piani futuri, e condizionando le traiettorie successive su questa rappresentazione di stato. Ciò consente una riflessione iterativa e una pianificazione globalmente informata, riformulando la ricerca come un processo progressivo. I risultati empirici mostrano che Re-TRAC supera costantemente ReAct del 15-20% su BrowseComp con LLM all'avanguardia. Per modelli più piccoli, introduciamo un fine-tuning supervisionato consapevole di Re-TRAC, raggiungendo prestazioni allo stato dell'arte a scale comparabili. Significativamente, Re-TRAC mostra una riduzione monotona delle chiamate agli strumenti e dell'utilizzo di token attraverso i round, indicando un'esplorazione progressivamente mirata guidata dalla riflessione cross-traiettoria piuttosto che da una ricerca ridondante.
English
LLM-based deep research agents are largely built on the ReAct framework. This linear design makes it difficult to revisit earlier states, branch into alternative search directions, or maintain global awareness under long contexts, often leading to local optima, redundant exploration, and inefficient search. We propose Re-TRAC, an agentic framework that performs cross-trajectory exploration by generating a structured state representation after each trajectory to summarize evidence, uncertainties, failures, and future plans, and conditioning subsequent trajectories on this state representation. This enables iterative reflection and globally informed planning, reframing research as a progressive process. Empirical results show that Re-TRAC consistently outperforms ReAct by 15-20% on BrowseComp with frontier LLMs. For smaller models, we introduce Re-TRAC-aware supervised fine-tuning, achieving state-of-the-art performance at comparable scales. Notably, Re-TRAC shows a monotonic reduction in tool calls and token usage across rounds, indicating progressively targeted exploration driven by cross-trajectory reflection rather than redundant search.