Less Context, Better Agents: λιγότερο ιστορικό, καλύτεροι πράκτορες

Όταν ένας πράκτορας τεχνητής νοημοσύνης δουλεύει πολλές ώρες με εργαλεία, τα μακροσκελή αποτελέσματα των εργαλείων γεμίζουν το πλαίσιο (context). Η μελέτη "Less Context, Better Agents: Efficient Context Engineering for Long-Horizon Tool-Using LLM Agents" (arXiv 2606.10209, Ιούνιος 2026) εξετάζει αν το να κρατάς λιγότερο ιστορικό βελτιώνει τον πράκτορα.

Το πρόβλημα

Σύμφωνα με τους συγγραφείς, οι αναλυτικές απαντήσεις των εταιρικών συστημάτων μπορούν να προκαλέσουν υπερχείλιση πλαισίου, λάθη από παλιά δεδομένα και υψηλό κόστος εκτέλεσης. Η μελέτη αφορά την αυτόματη κατανομή εξόδων (expense itemization) στο Microsoft Dynamics 365 Finance and Operations, με εργαλεία Model Context Protocol.

Πώς έγινε το πείραμα

Δοκιμάστηκαν τέσσερις διαμορφώσεις GPT-5 σε ένα benchmark 50 εργασιών εξόδων ξενοδοχείου:

• χωρίς μοντέλο χρήστη·
• με πλήρες ιστορικό συνομιλίας·
• με περικοπή στα τελευταία 5 ζεύγη κλήσης και απάντησης εργαλείου·
• με περικοπή και αυτόματη σύνοψη.

Τα αποτελέσματα είναι μέσοι όροι από 5 ανεξάρτητες εκτελέσεις.

Αποτελέσματα

• Χωρίς μοντέλο χρήστη, ολοκληρώνεται μόνο το 8,0% των κατανομών.
• Με πλήρες ιστορικό το ποσοστό ανεβαίνει στο 71,0%, αλλά καταναλώνονται 1.480.996 tokens και 14,56 ώρες ανά benchmark.
• Με περικοπή στις τελευταίες 5 κλήσεις: 79,0%, 535.274 tokens και 5,39 ώρες.
• Με περικοπή και σύνοψη: 91,6% πλήρης κατανομή και 99,64% του μέσου ποσού, με 553.374 tokens και 5,79 ώρες.

Οι συγγραφείς αναφέρουν επιπλέον διαστήματα εμπιστοσύνης, ανάλυση μεγέθους επίδρασης, ευαισθησία ως προς τα παράθυρα περικοπής και σύνοψης, ανάλυση αποτυχιών και αποτελέσματα με το Claude Sonnet 4.5.

Τι μπορεί να κρατήσει μια ομάδα που χτίζει πράκτορες

Για αυτή την κατηγορία εταιρικών ροών εργασίας με εργαλεία, η επιλεκτική διατήρηση των πρόσφατων αλληλεπιδράσεων μαζί με σύντομη σύνοψη βελτίωσε και την αξιοπιστία και την ταχύτητα σε σχέση με το πλήρες ιστορικό. Αξίζει να δοκιμάσετε το ίδιο στη δική σας ροή πριν κρατήσετε τα πάντα.

Αυτό το άρθρο γράφτηκε από τον Yethikrishna R, ιδρυτή και κύριο μηχανικό της Mynd Labs και συντονιστή και ιδρυτικό μέλος της Compyle (YC F25). Φτιάχνει συστήματα πρακτόρων τεχνητής νοημοσύνης και εργαλεία για προγραμματιστές από το Thrissur της Ινδίας.

Πηγή: "Less Context, Better Agents: Efficient Context Engineering for Long-Horizon Tool-Using LLM Agents", https://arxiv.org/abs/2606.10209