专注智能体开发的同学们估计会碰到这样的问题用ReAct来做多轮复杂检索、深度推理任务的时候多轮迭代之后Token会一下子涨上去智能体还会“忘掉事情”想要用之前任务的经验却让混乱的原始轨迹给搞蒙了不知道该咋办。最近出现的Re-TRACREcursive TRAjectory Compression for Deep Search Agents框架也许可以解决这些落地的难题——它不用复杂的技术堆砌仅仅靠着“递归轨迹压缩”就让智能体从“只会办事”变成“会思索、能积聚”的“研究员。作为一直在深耕AI智能体开发的开发者从“论文理论拆解→工程化适配→核心代码实现→多行业落地”一步步试着搭建Re-TRAC智能体不管你是AI开发者、技术从业者还是新手希望这篇文章能给你一下启发或者收获。01 写在开头智能体的“长思考困境”ReAct为何不够用了在LLM智能体发展的浪潮里ReAct是里程碑一样的存在。它靠着“思考-行动-观察”的线性循环让智能体学着去调用工具解决问题。可是在实际开展工作的时候特别是碰到深度搜索、复杂推理、多轮工具调用的任务比如说行业趋势深入剖析、智能代理跨步骤做决定、学术文献查找与归纳这类情况ReAct的不足之处就越发明显上下文无限膨胀每一轮的思考、工具调用记录都原样拼接就像记流水账记多了就“记混”小模型直接扛不住局部最优陷阱好像“一直沿着一条路走到底”那样进行线性执行要是一开始查错了数据、选偏了方向后面不管怎么样检索都没有办法挽回无全局反思能力只记录“做过什么”不总结“知道什么、错在哪、缺什么”无法实现知识沉淀工程化难度高原始轨迹杂乱无章难以存储、检索和分析跨任务复用更是无从谈起。Re-TRAC的核心创新就是用一次额外的LLM调用来做“结构化压缩”这样就能让后续整个流程的效率、效果还有可维护性都得到提升它是通用型智能体框架可以适配所有需要多轮推理、工具调用的场景。02 核心认知Re-TRAC到底解决了什么问题一句话本质ReAct是“执行器”线性走一步看一步把“原始轨迹”当记忆Re-TRAC是“研究员”递归式全局思考把“结构化反思结果”当记忆通用适配所有多轮任务场景。核心痛点对比维度ReAct范式Re-TRAC框架通用型执行模式线性循环Think→Act→Observe递归闭环Trajectory→Compress→Plan→Execute记忆类型原始交互记录结构化全局状态信息上下文规模随轮次指数级膨胀恒定短小信息密度高反思能力无错了就错了自带每轮总结失败与缺口工程化适配难存储、难检索、难复用结构化存储、支持跨轮次/跨任务检索、能够增量更新行业适配单独适配通用性比较低不用定制直接就能适配全行业多轮推理/检索任务03 理论拆解Re-TRAC的核心原理核心概念St ← Compress(τt, St−1; C)轨迹τt简单说就是智能体每一轮的“完整操作记录”比如“规划查询词→调用搜索引擎→获取数据”“调用代码解释器→执行计算→得到结果”τt中的t代表“第t轮迭代”适配所有工具调用场景结构化状态St St-1这是Re-TRAC的核心载体是对轨迹进行结构化压缩后的结果它会当作下一轮决策的唯一上下文递归压缩Compress这是关键行动不是“删掉轨迹”而是“提炼精华”——把“上一轮的反思结果和这一轮的操作记录”进行压缩转变成结构化的“状态”就像做完实验后写实验报告只记结论、证据、问题不记无关细节能通用适合所有任务类型。论文标准三维核心处于结构化状态的Re-TRAC定义的三维状态AnswerAnalytical Conclusions答案与分析结论已验证的部分答案、核心推论适配推理、检索、决策等所有任务Evidence Base Source Verification证据和来源所有事实、数据还有文献引用全都标注清楚出处靠这个来杜绝重复检索进而保证结论真实可信UncertaintiesExploration Trace不确定性与探索轨迹没解决的问题、要验证的假设还有失败的工具调用、错误的推理路径论文把“失败经验”放到这一个维度里。原生递归流程的Re-TRACRe-TRAC的核心是“同任务内的递归状态传递”标准流程被分成5步适合所有多轮推理、工具调用任务初始状态t0S₀∅空状态第一轮轨迹τ₁按ReAct模式执行轨迹执行第t轮把S{t-1}当作唯一的上下文生成并且执行当下的轨迹τt工具调用加上推理递归压缩核心步骤调用LLM把“上一轮状态加上当前轨迹”进行压缩生成新状态St状态保存将St写入外部存储作为下一轮的上下文收敛判断若St中无未解决的不确定性或达到最大迭代次数终止并返回结论。04 工程化核心关键适配从理论走向实际运用工程化四维状态为了方便数据库设计和问题定位把论文的“三维状态”拆成“四维”用Pydantic来达成结构化约束使得LLM输出格式符合规定方便应用到智能体项目当中。事例代码仅供参考from pydantic import BaseModel, field_validatorfrom typing import OptionalclassReTRACState(BaseModel): Re-TRAC工程化四维状态模型基于论文三维状态的扩展 注论文原生为三维此处拆分失败经验便于问题定位无任何行业绑定通用适配所有场景 task_id: str # 任务唯一标识检索核心Key通用型设计 conclusion: str # 对应论文Answer Analytical Conclusions通用结论字段 evidence: str # 对应论文Evidence Base Source Verification需标注来源通用 uncertainties: str # 对应论文Uncertainties待解决问题通用 failures: str # 工程化扩展失败经验从论文第三维度拆分通用 next_plan: str # 工程化扩展下一轮执行计划通用适配所有工具调用/推理 iteration: int # 迭代轮次用于收敛判断通用 field_validator(conclusion, evidence, uncertainties, failures, next_plan) defnot_empty(cls, v): 确保核心字段非空空值用无填充避免格式错误适配所有场景 ifnot v or v.strip() : return无 return v.strip()# 【新手示例】初始化一个通用型状态无行业绑定可替换为任意任务if __name__ __main__: init_state ReTRACState( task_idtest_001, conclusion无, evidence无, uncertainties2025年全球人工智能市场规模, # 可替换为任意任务的不确定性 failures无, next_plan检索权威机构发布的2025年全球人工智能市场规模数据, iteration1 ) print(初始化状态示例\n, init_state.model_dump_json(indent2))核心存储方案“关系型DB为核心向量DB为扩展”是最优方案这是由Re-TRAC的结构化状态所决定的。既能兼顾结构化存储还能够进行向量检索不用另外布置独立的向量DB能够符合所有行业的智能体落地需求不管是小体量的demo还是实际部署都可以使用。事例代码仅供参考-- Re-TRAC核心状态表通用型设计无行业绑定新手可直接复制执行CREATETABLEIFNOTEXISTS re_trac_state ( task_id VARCHAR(64) NOTNULL, -- 任务唯一ID联合主键 iteration INTNOTNULL, -- 迭代轮次联合主键 conclusion TEXTNOTNULL, -- 结论通用字段 evidence TEXTNOTNULL, -- 证据含来源通用字段 uncertainties TEXTNOTNULL, -- 不确定性通用字段 failures TEXTNOTNULL, -- 失败经验通用字段 next_plan TEXTNOTNULL, -- 下一轮计划通用字段 uncertainties_vec vector(1536), -- 不确定性向量用于相似检索通用 create_time TIMESTAMPDEFAULTCURRENT_TIMESTAMP, update_time TIMESTAMPDEFAULTCURRENT_TIMESTAMP, PRIMARY KEY (task_id, iteration));-- 索引优化加速task_id精准检索和向量检索必加提升性能通用适配所有场景CREATEINDEX idx_task_id ON re_trac_state (task_id);CREATEINDEX idx_uncertainties_vec ON re_trac_state USING ivfflat (uncertainties_vec) WITH (lists 100);05 核心落地Re-TRAC智能体主循环结合递归压缩、执行、保存的核心逻辑形成完整的闭环。事例代码仅供参考需安装依赖pip install openai psycopg2-binary serpapi并配置.env文件OPENAI API KEY、PG数据库信息、SERPAPI KEY。import osimport hashlibimport psycopg2from openai import OpenAIfrom serpapi import Clientfrom dotenv import load_dotenvfrom pydantic import BaseModel# 加载环境变量新手需替换为自己的密钥通用无行业限制load_dotenv()llm_client OpenAI(api_keyos.getenv(OPENAI_API_KEY))serp_client Client(api_keyos.getenv(SERPAPI_KEY))db_conn psycopg2.connect( hostos.getenv(PG_HOST), useros.getenv(PG_USER), passwordos.getenv(PG_PASSWORD), databaseos.getenv(PG_DB))# 1. 基础工具函数核心复用通用无行业绑定defgenerate_task_id(task: str) - str: 生成任务唯一ID确保相同任务生成相同ID适配所有类型任务 core_keywords task.lower().replace(年, ).replace(的, ).replace(及, _) return hashlib.md5(core_keywords.encode()).hexdigest()[:16]defsearch_tool(query: str) - str: 工具调用通用搜索引擎适配所有检索类任务可替换为其他工具 try: response serp_client.search(qquery, enginegoogle, hlzh-CN) results [f结果{i1}{res.get(title)} | 摘要{res.get(snippet)}for i, res in enumerate(response.get(organic_results, [])[:3])] returnf工具调用成功{query}\n{chr(10).join(results)} except Exception as e: returnf工具调用失败{query} | 错误{str(e)}# 2. 递归压缩核心函数Re-TRAC核心通用无行业绑定defrecursive_compress(prev_state: Optional[ReTRACState], raw_trajectory: str) - ReTRACState: 对齐论文公式压缩上一轮状态当前轨迹生成新状态适配所有任务类型 system_prompt 你是Re-TRAC压缩专家严格按JSON输出以下通用字段无行业绑定 1. conclusion可验证的核心结论需标注数据/信息来源 2. evidence带来源的事实数据、信息避免冗余 3. uncertainties明确未解决的问题聚焦核心需求 4. failures工具调用/推理过程中的失败经验 5. next_plan可执行的下一轮计划适配工具调用/推理 无需额外解释仅返回JSON不包含任何行业特定表述。 user_prompt f上一轮状态{prev_state.model_dump_json() if prev_state else无}\n当前轨迹{raw_trajectory} response llm_client.chat.completions.create( modelgpt-3.5-turbo, # 轻量模型降成本效果足够支撑压缩任务 messages[{role:system,content:system_prompt},{role:user,content:user_prompt}], response_format{type: json_object}, temperature0.3# 降低随机性确保格式正确 ) return ReTRACState.model_validate_json(response.choices[0].message.content)# 3. Re-TRAC主循环完整闭环通用无行业绑定可替换任意任务defre_trac_agent(task: str, max_iter: int 3) - str: Re-TRAC智能体主入口通用型 :param task: 任意业务任务例2025年全球人工智能市场规模分析、学术文献检索总结 :param max_iter: 最大迭代次数3-5轮足够适配大部分复杂任务 :return: 最终结论证据失败经验通用结构化输出 print(f 启动Re-TRAC智能体任务{task} ) task_id generate_task_id(task) current_state None # 初始化无历史状态则生成第一轮轨迹通用逻辑适配所有任务 ifnot current_state: initial_plan f检索{task}的核心数据优先选择权威机构、官方来源 raw_trajectory f任务{task}\n计划{initial_plan}\n{search_tool(initial_plan)} current_state recursive_compress(None, raw_trajectory) current_state.task_id task_id current_state.iteration 1 print(f 迭代1初始状态生成完成 ) # 递归迭代闭环通用逻辑无需修改适配所有任务 for _ in range(current_state.iteration, max_iter): # 收敛判断无不确定性则终止通用判断规则 if无in current_state.uncertainties: print( 任务收敛终止迭代 ) break # 执行轨迹压缩更新核心逻辑通用无行业绑定 next_plan current_state.next_plan raw_trajectory f任务{task}\n计划{next_plan}\n{search_tool(next_plan)} current_state recursive_compress(current_state, raw_trajectory) current_state.iteration 1 print(f 迭代{current_state.iteration}状态更新完成 ) # 返回最终结果通用结构化输出适配所有任务展示需求 returnf # Re-TRAC任务结果通用型 ## 任务{task} ## 最终结论{current_state.conclusion} ## 核心证据{current_state.evidence} ## 未解决问题{current_state.uncertainties} ## 失败经验{current_state.failures} # 【新手运行示例】可替换为任意任务无行业限制if __name__ __main__: # 示例任务1市场分析类可替换 # task 2025年全球人工智能市场规模及增长趋势分析 # 示例任务2学术检索类可替换 # task 近3年大语言模型在自然语言处理领域的核心突破及文献总结 # 示例任务3通用决策类可替换 task 2025年全球云计算市场主流厂商份额及竞争格局分析 result re_trac_agent(task, max_iter3) print(\n 最终结果 ) print(result)06 关键优化落地Re-TRAC的避坑指南成本优化轻量模型做压缩主力模型做规划用Qwen3 8B来做轨迹压缩它成本低、速度快压缩任务不需要高性能模型接下来用gpt-4o来做递归规划能保证决策质量还适配复杂任务这样成本能降低60%以上能通用适配相关行业的成本控制需求。格式优化用JSON格式输出别让它压缩失败通过response format{“type”:“json object”}和Pydantic来进行校验是必须的若校验未通过就添加最多重试2次的重试机制不要让流程中断这是所有场景落地Re-TRAC的核心避坑要点。收敛优化多维度判断避免无限迭代除了“不确定性为空”还能加上下面这些通用判断条件能适配所有任务类型连续两轮的next plan完全一样没有新的进展不用接着迭代了证据库不再新增核心信息信息饱和继续检索无意义为防止资源浪费达到最大迭代次数这是强制停止。新手入门建议先跑通demo先实现“检索→压缩→保存”的基础闭环再替换为自己的业务任务控成本一开始先用API来快速验证逻辑之后可以换成本地的模型比如QwenGLM这类不再依靠API避坑关键先保证压缩格式准确没有错误这是最首要的事情接下来再去开始优化检索逻辑和迭代次数格式出错是实际落地过程中最常见的阻碍任务适配不用修改核心代码就能适配其他场景。07 行业应用Re-TRAC所具备的通用适用场景通用型智能体框架的Re-TRAC能够直接去适应当前行业核心场景而且只要更换任务描述和工具调用方法就可以很快投入使用市场分析与决策辅助利用Re-TRAC构建市场分析智能体进行行业规模分析、竞争格局研究、趋势预测等核心任务凭借多轮迭代式检索不断连接权威数据源与此同时核查信息真实性而且错误率也明显降低。学术与科研辅助使用Re-TRAC搭建文献检索与总结智能体完成“多轮文献检索、核心观点提炼、研究缺口分析”智能体可自动积累文献证据、总结失败检索经验大幅提升科研效率。智能客服与多轮交互将Re-TRAC部署到智能客服系统中达成“复杂问题多轮交互”。当用户咨询“产品选型、售后故障排查、业务办理流程”这类问题时智能体能够借助多轮工具调用对知识库、业务系统进行查询给出精准的答案积累用户交互方面的经验进而对后续的响应进行优化。代码开发与调试辅助搭建Re-TRAC代码辅助智能体完成“多轮代码调试、技术方案检索、开源项目适配”智能体可总结调试失败经验、沉淀技术方案证据帮助开发者快速解决问题提升开发效率。08 总结与展望Re-TRAC的核心价值不是“复杂的技术堆砌”而是“更高效的智能体记忆办法”——通过叠加一次LLM调用来做结构化紧缩用这个来换取后续全流程的功率和作用提高能直接满足需多轮推理、工具调用的智能体落地场景。它解决了ReAct范式的核心痛点让智能体从“线性执行的机器人”升级为“会反思、能沉淀、可复用”的通用型智能体大家在后续的智能体开发或者使用过程不妨考虑一下新的Re-TRAC框架 验证一下实际的效果。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
告别ReAct四大缺陷！Re-TRAC框架递归压缩技术全解，从入门到精通，收藏这一篇就够了！
专注智能体开发的同学们估计会碰到这样的问题用ReAct来做多轮复杂检索、深度推理任务的时候多轮迭代之后Token会一下子涨上去智能体还会“忘掉事情”想要用之前任务的经验却让混乱的原始轨迹给搞蒙了不知道该咋办。最近出现的Re-TRACREcursive TRAjectory Compression for Deep Search Agents框架也许可以解决这些落地的难题——它不用复杂的技术堆砌仅仅靠着“递归轨迹压缩”就让智能体从“只会办事”变成“会思索、能积聚”的“研究员。作为一直在深耕AI智能体开发的开发者从“论文理论拆解→工程化适配→核心代码实现→多行业落地”一步步试着搭建Re-TRAC智能体不管你是AI开发者、技术从业者还是新手希望这篇文章能给你一下启发或者收获。01 写在开头智能体的“长思考困境”ReAct为何不够用了在LLM智能体发展的浪潮里ReAct是里程碑一样的存在。它靠着“思考-行动-观察”的线性循环让智能体学着去调用工具解决问题。可是在实际开展工作的时候特别是碰到深度搜索、复杂推理、多轮工具调用的任务比如说行业趋势深入剖析、智能代理跨步骤做决定、学术文献查找与归纳这类情况ReAct的不足之处就越发明显上下文无限膨胀每一轮的思考、工具调用记录都原样拼接就像记流水账记多了就“记混”小模型直接扛不住局部最优陷阱好像“一直沿着一条路走到底”那样进行线性执行要是一开始查错了数据、选偏了方向后面不管怎么样检索都没有办法挽回无全局反思能力只记录“做过什么”不总结“知道什么、错在哪、缺什么”无法实现知识沉淀工程化难度高原始轨迹杂乱无章难以存储、检索和分析跨任务复用更是无从谈起。Re-TRAC的核心创新就是用一次额外的LLM调用来做“结构化压缩”这样就能让后续整个流程的效率、效果还有可维护性都得到提升它是通用型智能体框架可以适配所有需要多轮推理、工具调用的场景。02 核心认知Re-TRAC到底解决了什么问题一句话本质ReAct是“执行器”线性走一步看一步把“原始轨迹”当记忆Re-TRAC是“研究员”递归式全局思考把“结构化反思结果”当记忆通用适配所有多轮任务场景。核心痛点对比维度ReAct范式Re-TRAC框架通用型执行模式线性循环Think→Act→Observe递归闭环Trajectory→Compress→Plan→Execute记忆类型原始交互记录结构化全局状态信息上下文规模随轮次指数级膨胀恒定短小信息密度高反思能力无错了就错了自带每轮总结失败与缺口工程化适配难存储、难检索、难复用结构化存储、支持跨轮次/跨任务检索、能够增量更新行业适配单独适配通用性比较低不用定制直接就能适配全行业多轮推理/检索任务03 理论拆解Re-TRAC的核心原理核心概念St ← Compress(τt, St−1; C)轨迹τt简单说就是智能体每一轮的“完整操作记录”比如“规划查询词→调用搜索引擎→获取数据”“调用代码解释器→执行计算→得到结果”τt中的t代表“第t轮迭代”适配所有工具调用场景结构化状态St St-1这是Re-TRAC的核心载体是对轨迹进行结构化压缩后的结果它会当作下一轮决策的唯一上下文递归压缩Compress这是关键行动不是“删掉轨迹”而是“提炼精华”——把“上一轮的反思结果和这一轮的操作记录”进行压缩转变成结构化的“状态”就像做完实验后写实验报告只记结论、证据、问题不记无关细节能通用适合所有任务类型。论文标准三维核心处于结构化状态的Re-TRAC定义的三维状态AnswerAnalytical Conclusions答案与分析结论已验证的部分答案、核心推论适配推理、检索、决策等所有任务Evidence Base Source Verification证据和来源所有事实、数据还有文献引用全都标注清楚出处靠这个来杜绝重复检索进而保证结论真实可信UncertaintiesExploration Trace不确定性与探索轨迹没解决的问题、要验证的假设还有失败的工具调用、错误的推理路径论文把“失败经验”放到这一个维度里。原生递归流程的Re-TRACRe-TRAC的核心是“同任务内的递归状态传递”标准流程被分成5步适合所有多轮推理、工具调用任务初始状态t0S₀∅空状态第一轮轨迹τ₁按ReAct模式执行轨迹执行第t轮把S{t-1}当作唯一的上下文生成并且执行当下的轨迹τt工具调用加上推理递归压缩核心步骤调用LLM把“上一轮状态加上当前轨迹”进行压缩生成新状态St状态保存将St写入外部存储作为下一轮的上下文收敛判断若St中无未解决的不确定性或达到最大迭代次数终止并返回结论。04 工程化核心关键适配从理论走向实际运用工程化四维状态为了方便数据库设计和问题定位把论文的“三维状态”拆成“四维”用Pydantic来达成结构化约束使得LLM输出格式符合规定方便应用到智能体项目当中。事例代码仅供参考from pydantic import BaseModel, field_validatorfrom typing import OptionalclassReTRACState(BaseModel): Re-TRAC工程化四维状态模型基于论文三维状态的扩展 注论文原生为三维此处拆分失败经验便于问题定位无任何行业绑定通用适配所有场景 task_id: str # 任务唯一标识检索核心Key通用型设计 conclusion: str # 对应论文Answer Analytical Conclusions通用结论字段 evidence: str # 对应论文Evidence Base Source Verification需标注来源通用 uncertainties: str # 对应论文Uncertainties待解决问题通用 failures: str # 工程化扩展失败经验从论文第三维度拆分通用 next_plan: str # 工程化扩展下一轮执行计划通用适配所有工具调用/推理 iteration: int # 迭代轮次用于收敛判断通用 field_validator(conclusion, evidence, uncertainties, failures, next_plan) defnot_empty(cls, v): 确保核心字段非空空值用无填充避免格式错误适配所有场景 ifnot v or v.strip() : return无 return v.strip()# 【新手示例】初始化一个通用型状态无行业绑定可替换为任意任务if __name__ __main__: init_state ReTRACState( task_idtest_001, conclusion无, evidence无, uncertainties2025年全球人工智能市场规模, # 可替换为任意任务的不确定性 failures无, next_plan检索权威机构发布的2025年全球人工智能市场规模数据, iteration1 ) print(初始化状态示例\n, init_state.model_dump_json(indent2))核心存储方案“关系型DB为核心向量DB为扩展”是最优方案这是由Re-TRAC的结构化状态所决定的。既能兼顾结构化存储还能够进行向量检索不用另外布置独立的向量DB能够符合所有行业的智能体落地需求不管是小体量的demo还是实际部署都可以使用。事例代码仅供参考-- Re-TRAC核心状态表通用型设计无行业绑定新手可直接复制执行CREATETABLEIFNOTEXISTS re_trac_state ( task_id VARCHAR(64) NOTNULL, -- 任务唯一ID联合主键 iteration INTNOTNULL, -- 迭代轮次联合主键 conclusion TEXTNOTNULL, -- 结论通用字段 evidence TEXTNOTNULL, -- 证据含来源通用字段 uncertainties TEXTNOTNULL, -- 不确定性通用字段 failures TEXTNOTNULL, -- 失败经验通用字段 next_plan TEXTNOTNULL, -- 下一轮计划通用字段 uncertainties_vec vector(1536), -- 不确定性向量用于相似检索通用 create_time TIMESTAMPDEFAULTCURRENT_TIMESTAMP, update_time TIMESTAMPDEFAULTCURRENT_TIMESTAMP, PRIMARY KEY (task_id, iteration));-- 索引优化加速task_id精准检索和向量检索必加提升性能通用适配所有场景CREATEINDEX idx_task_id ON re_trac_state (task_id);CREATEINDEX idx_uncertainties_vec ON re_trac_state USING ivfflat (uncertainties_vec) WITH (lists 100);05 核心落地Re-TRAC智能体主循环结合递归压缩、执行、保存的核心逻辑形成完整的闭环。事例代码仅供参考需安装依赖pip install openai psycopg2-binary serpapi并配置.env文件OPENAI API KEY、PG数据库信息、SERPAPI KEY。import osimport hashlibimport psycopg2from openai import OpenAIfrom serpapi import Clientfrom dotenv import load_dotenvfrom pydantic import BaseModel# 加载环境变量新手需替换为自己的密钥通用无行业限制load_dotenv()llm_client OpenAI(api_keyos.getenv(OPENAI_API_KEY))serp_client Client(api_keyos.getenv(SERPAPI_KEY))db_conn psycopg2.connect( hostos.getenv(PG_HOST), useros.getenv(PG_USER), passwordos.getenv(PG_PASSWORD), databaseos.getenv(PG_DB))# 1. 基础工具函数核心复用通用无行业绑定defgenerate_task_id(task: str) - str: 生成任务唯一ID确保相同任务生成相同ID适配所有类型任务 core_keywords task.lower().replace(年, ).replace(的, ).replace(及, _) return hashlib.md5(core_keywords.encode()).hexdigest()[:16]defsearch_tool(query: str) - str: 工具调用通用搜索引擎适配所有检索类任务可替换为其他工具 try: response serp_client.search(qquery, enginegoogle, hlzh-CN) results [f结果{i1}{res.get(title)} | 摘要{res.get(snippet)}for i, res in enumerate(response.get(organic_results, [])[:3])] returnf工具调用成功{query}\n{chr(10).join(results)} except Exception as e: returnf工具调用失败{query} | 错误{str(e)}# 2. 递归压缩核心函数Re-TRAC核心通用无行业绑定defrecursive_compress(prev_state: Optional[ReTRACState], raw_trajectory: str) - ReTRACState: 对齐论文公式压缩上一轮状态当前轨迹生成新状态适配所有任务类型 system_prompt 你是Re-TRAC压缩专家严格按JSON输出以下通用字段无行业绑定 1. conclusion可验证的核心结论需标注数据/信息来源 2. evidence带来源的事实数据、信息避免冗余 3. uncertainties明确未解决的问题聚焦核心需求 4. failures工具调用/推理过程中的失败经验 5. next_plan可执行的下一轮计划适配工具调用/推理 无需额外解释仅返回JSON不包含任何行业特定表述。 user_prompt f上一轮状态{prev_state.model_dump_json() if prev_state else无}\n当前轨迹{raw_trajectory} response llm_client.chat.completions.create( modelgpt-3.5-turbo, # 轻量模型降成本效果足够支撑压缩任务 messages[{role:system,content:system_prompt},{role:user,content:user_prompt}], response_format{type: json_object}, temperature0.3# 降低随机性确保格式正确 ) return ReTRACState.model_validate_json(response.choices[0].message.content)# 3. Re-TRAC主循环完整闭环通用无行业绑定可替换任意任务defre_trac_agent(task: str, max_iter: int 3) - str: Re-TRAC智能体主入口通用型 :param task: 任意业务任务例2025年全球人工智能市场规模分析、学术文献检索总结 :param max_iter: 最大迭代次数3-5轮足够适配大部分复杂任务 :return: 最终结论证据失败经验通用结构化输出 print(f 启动Re-TRAC智能体任务{task} ) task_id generate_task_id(task) current_state None # 初始化无历史状态则生成第一轮轨迹通用逻辑适配所有任务 ifnot current_state: initial_plan f检索{task}的核心数据优先选择权威机构、官方来源 raw_trajectory f任务{task}\n计划{initial_plan}\n{search_tool(initial_plan)} current_state recursive_compress(None, raw_trajectory) current_state.task_id task_id current_state.iteration 1 print(f 迭代1初始状态生成完成 ) # 递归迭代闭环通用逻辑无需修改适配所有任务 for _ in range(current_state.iteration, max_iter): # 收敛判断无不确定性则终止通用判断规则 if无in current_state.uncertainties: print( 任务收敛终止迭代 ) break # 执行轨迹压缩更新核心逻辑通用无行业绑定 next_plan current_state.next_plan raw_trajectory f任务{task}\n计划{next_plan}\n{search_tool(next_plan)} current_state recursive_compress(current_state, raw_trajectory) current_state.iteration 1 print(f 迭代{current_state.iteration}状态更新完成 ) # 返回最终结果通用结构化输出适配所有任务展示需求 returnf # Re-TRAC任务结果通用型 ## 任务{task} ## 最终结论{current_state.conclusion} ## 核心证据{current_state.evidence} ## 未解决问题{current_state.uncertainties} ## 失败经验{current_state.failures} # 【新手运行示例】可替换为任意任务无行业限制if __name__ __main__: # 示例任务1市场分析类可替换 # task 2025年全球人工智能市场规模及增长趋势分析 # 示例任务2学术检索类可替换 # task 近3年大语言模型在自然语言处理领域的核心突破及文献总结 # 示例任务3通用决策类可替换 task 2025年全球云计算市场主流厂商份额及竞争格局分析 result re_trac_agent(task, max_iter3) print(\n 最终结果 ) print(result)06 关键优化落地Re-TRAC的避坑指南成本优化轻量模型做压缩主力模型做规划用Qwen3 8B来做轨迹压缩它成本低、速度快压缩任务不需要高性能模型接下来用gpt-4o来做递归规划能保证决策质量还适配复杂任务这样成本能降低60%以上能通用适配相关行业的成本控制需求。格式优化用JSON格式输出别让它压缩失败通过response format{“type”:“json object”}和Pydantic来进行校验是必须的若校验未通过就添加最多重试2次的重试机制不要让流程中断这是所有场景落地Re-TRAC的核心避坑要点。收敛优化多维度判断避免无限迭代除了“不确定性为空”还能加上下面这些通用判断条件能适配所有任务类型连续两轮的next plan完全一样没有新的进展不用接着迭代了证据库不再新增核心信息信息饱和继续检索无意义为防止资源浪费达到最大迭代次数这是强制停止。新手入门建议先跑通demo先实现“检索→压缩→保存”的基础闭环再替换为自己的业务任务控成本一开始先用API来快速验证逻辑之后可以换成本地的模型比如QwenGLM这类不再依靠API避坑关键先保证压缩格式准确没有错误这是最首要的事情接下来再去开始优化检索逻辑和迭代次数格式出错是实际落地过程中最常见的阻碍任务适配不用修改核心代码就能适配其他场景。07 行业应用Re-TRAC所具备的通用适用场景通用型智能体框架的Re-TRAC能够直接去适应当前行业核心场景而且只要更换任务描述和工具调用方法就可以很快投入使用市场分析与决策辅助利用Re-TRAC构建市场分析智能体进行行业规模分析、竞争格局研究、趋势预测等核心任务凭借多轮迭代式检索不断连接权威数据源与此同时核查信息真实性而且错误率也明显降低。学术与科研辅助使用Re-TRAC搭建文献检索与总结智能体完成“多轮文献检索、核心观点提炼、研究缺口分析”智能体可自动积累文献证据、总结失败检索经验大幅提升科研效率。智能客服与多轮交互将Re-TRAC部署到智能客服系统中达成“复杂问题多轮交互”。当用户咨询“产品选型、售后故障排查、业务办理流程”这类问题时智能体能够借助多轮工具调用对知识库、业务系统进行查询给出精准的答案积累用户交互方面的经验进而对后续的响应进行优化。代码开发与调试辅助搭建Re-TRAC代码辅助智能体完成“多轮代码调试、技术方案检索、开源项目适配”智能体可总结调试失败经验、沉淀技术方案证据帮助开发者快速解决问题提升开发效率。08 总结与展望Re-TRAC的核心价值不是“复杂的技术堆砌”而是“更高效的智能体记忆办法”——通过叠加一次LLM调用来做结构化紧缩用这个来换取后续全流程的功率和作用提高能直接满足需多轮推理、工具调用的智能体落地场景。它解决了ReAct范式的核心痛点让智能体从“线性执行的机器人”升级为“会反思、能沉淀、可复用”的通用型智能体大家在后续的智能体开发或者使用过程不妨考虑一下新的Re-TRAC框架 验证一下实际的效果。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
