ARC: Aktives, reflektionsbasiertes Kontextmanagement für Langzeit-Informationssuche

Large Language Models werden zunehmend als Forschungsagenten für tiefgreifende Suche und langanhaltende Informationsbeschaffung eingesetzt. Dabei verschlechtert sich ihre Leistung jedoch, sobald die Interaktionshistorie wächst – ein Phänomen, das als „Context Rot“ bezeichnet wird und auf die Unfähigkeit hinweist, über längere Zeiträume hinweg kohärente und auf die Aufgabe relevante interne Zustände zu erhalten.

Derzeit greifen Ansätze vorwiegend auf die reine Ansammlung von Kontext oder auf passive Zusammenfassungen zurück. Diese behandeln den Kontext als statisches Artefakt, wodurch frühere Fehler oder falsche Schwerpunkte unbemerkt bleiben und die Agentenleistung weiter sinkt.

ARC (Active and Reflection-driven Context Management) ist das erste Framework, das das Kontextmanagement als aktiven, reflektionsbasierten Prozess definiert. Dabei wird der Kontext als dynamischer, innerer Denkzustand betrachtet, der während der Ausführung kontinuierlich überwacht und bei Erkennung von Missalignments oder Degradation neu organisiert wird.

In Experimenten auf anspruchsvollen Langzeit-Informationssuch-Benchmarks übertrifft ARC passive Kompressionsmethoden konsequent. Besonders hervorzuheben ist ein absoluter Genauigkeitsgewinn von bis zu 11 % bei der Aufgabe BrowseComp‑ZH mit dem Modell Qwen2.5‑32B‑Instruct.