Agent AI najczęściej funkcjonuje jako LLM wywoływany w pętli z dostępem do narzędzi. Ten schemat sprawdza się świetnie w krótkich zadaniach, ale cruje się gdy pracuje godzinę i wymaga 200 wywołań narzędzi - wtedy pojawią się dwa przewidywalne problemy: przepełnienie kontekstu i utrata celowości. AWS Samples w swoim design guide dla autonomicznych agentów chmury definiuje te wady wprost. Kluczem do rozwiązania nie jest jednak lepszy model, lecz warstwa harness, czyli infrastruktura zarządzająca wszystkim poza modelem.
Badanie odsłania cztery mechanizmy, które zamieniają płytki loop w głęboką agentę: compaction (zagęszczanie informacji), strategię pamięci, budżetowanie kontekstu oraz zarządzanie stanem todo. Artykuł analizuje, jak wdrażają je popularne frameworki - LangChain Deep Agents, Claude Code, Manus, OpenAI Codex i Amazon Bedrock AgentCore - wraz z konkretnymi progami, które shipping w praktyce. Porównanie pokazuje różne podejścia do tego samego problemu.
Powszechnym przesłaniem jest, że większe okno kontekstu rozwiąże problem. Dane wskazują inaczej. Raport Context Rot od Chroma, który oceniał 18 modeli LLM w tym GPT-4.1, Claude 4, Gemini 2.5 i Qwen3, wykazał, że wydajność staje się coraz mniej niezawodna w miarę wzrostu długości inputu, nawet na prostych zadaniach retrieval. Antropic wyjaśnia mechanizm: attention tworzy n² relacji parami dla n tokenów, więc każdy dodatkowy token zmniejsza skończony budżet uwagi. Dla pętli agenta to jest znacznie gorsze niż się wydaje - każdy token to nie wiadro, lecz zasób z malejącymi zyskami.