Zespół badawczy przeprowadził empiryczne studium nad kompresją kontekstu w agentach AI pracujących nad długotrwałymi zadaniami i wykazał, że istniejące podejścia wprowadzają problemy ze stabilnością. Wyniki pokazują, że kompresja może osłabiać wpływ ostatnich interakcji, zwiększając liczbę zablokowanych akcji, powtarzającej się eksploracji i zmienności wyników między poszczególnymi przebiegami.
Obserwacje skłoniły badaczy do wprowadzenia frameworku TRACE, który ocenia każde zdarzenie kompresji za pomocą metody weryfikacji - uruchamia парне, zamknięte pętle z tego samego stanu środowiska i wykorzystuje preferencje do optymalizacji promptu kompresji. Ważne jest, że wszystkie modele pozostają zamrożone, a sama metoda pracuje jedynie na optymalizacji instrukcji w języku naturalnym.
Wstępne wyniki na platformie AppWorld pokazują znaczące ulepszenia w stosunku do istniejących baseline'ów - zarówno w wydajności zadań, niezawodności między przebiegami, jak i efektywności wykorzystania kontekstu. Badanie sugeruje, że ocena na granicy kompresji może być obiecującym kierunkiem dla niezawodnej kompresji kontekstu w agentach AI, szczególnie w scenariuszach wymagających długohoryzontowego planowania.