Zespół badaczy wprowadził nową technikę zwaną agent-controlled forgetting, która pozwala modelom AI samodzielnie wybierać, które wyniki z narzędzi można zastąpić krótkimi notatkami, zachowując oryginalne dane w archiwum do ewentualnego przywołania. System działa bez potrzeby trenowania modelu dla konkretnych zadań - wystarczy pythonowy harness obsługujący archiwizację i odzyskiwanie zawartości.
W eksperymencie na debugowaniu kodu OpenTelemetry połączonym z niezwiązanym zadaniem implementacyjnym metoda wykazała spektakularne oszczędności: 231,951 tokenów zamiast 912,492, użycie 50% mniej całkowitych tokenów wejściowych oraz koszt API spadł z około 4,38 USD do zaledwie 1,28-1,44 USD. Oba warianty (z archiwizacją i bez) przeszły podstawowe testy funkcjonalności, choć żaden nie w pełni zadowolił bardziej zaawansowaną ewaluację.
Jednak wyniki okazały się silnie zależne od rodzaju zadania. Podczas gdy przypadek debugowania przyniósł znaczące oszczędności, inna para aplikacji development nie pokazała żadnych korzyści w kontekście ani kosztach. Metoda generowała też więcej zapytań API i zajmowała 17% więcej czasu. Wcześniejszy test wykazał nawet gorsze oceny jakości pomimo zmniejszonego kontekstu. Badacze podkreślają, że reversible context management przynosi realne zyski przy hałaśliwych trajektoriach narzędziowych, ale jego skuteczność zależy od specyfiki zadania.