ReTree: Memoria ad Albero Auto-Correttiva per Agenti di Ricerca basati su LLM

Un recente preprint su arXiv (2608.10676) presenta ReTree, un sistema di memoria ad albero progettato per l'auto-correzione in agenti di ricerca che utilizzano modelli linguistici di grandi dimensioni (LLM). Questa ricerca affronta le sfide dell'espansione illimitata del contesto e del rumore quando si forniscono percorsi di esecuzione completi all'LLM. Le attuali tecniche di compressione spesso sacrificano dettagli cruciali e non riescono a correggere informazioni errate, ostacolando il ragionamento a valle. ReTree crea un contesto di ragionamento limitato per ogni passaggio mantenendo le prove collegate alle fonti. Concettualizza la ricerca come un albero di prove, con nodi che contengono riassunti concisi, prove e storie di revisione. Quando nuove prove contraddicono affermazioni precedenti, ReTree torna al nodo rilevante, aggiorna le prove, rigenera i riassunti, pota i rami e continua la ricerca, migliorando l'accuratezza e l'efficienza del question answering multi-step in contesti esterni.