Librarian Agents：训练LLM为未来查询整理长上下文工作区

长文档上下文推理仍是LLM难题：标准检索方法本质被动，知识图谱等预计算结构又依赖刚性启发式。论文提出“预期式定向整理”，让智能体在推理前主动重组非结构化语料以服务未来多样查询。作者指出现代agentic harness（如Claude Code）中LLM擅长导航现有文件系统完成即时任务，却很少被训练去构建可复用工作区。为此提出Librarian Agents框架：builder agent将原始文档转化为由合成文件与引用链接构成的层级文件系统，形成面向下游查询的工作区。

AI推荐理由 针对长文档推理中检索被动、知识图谱依赖刚性启发式的问题，提出让智能体在推理前主动重组语料、构建可复用工作区，并指出当前agentic harness（如Claude Code）擅长导航现有文件系统但缺乏为未来查询构建可复用工作区的训练。思路对Agent记忆与长上下文工程有实际参考价值，但摘要未给出量化评测结果。