Надежность LLM-агентов повышена с 9% до 67% с помощью графовой эволюции контекста
Развёртывание LLM-агентов сталкивается с проблемой: накапливающиеся инструкции со временем становятся противоречивыми, что снижает надёжность. Новый подход, получивший название Graph-Regularized Agentic Context Evolution (GRACE), предлагает решение — хранить инструкции в виде типизированного семантического графа.
GRACE валидирует каждое изменение контекста только в пределах локальной окрестности изменённых узлов, что делает проверку масштабируемой. Принятые обновления затем преобразуются в текстовые правки, которые используются при развёртывании агента.
Метод протестировали в фиксированном телеком-агенте на основе ??-bench в условиях контролируемого сдвига распределения. Пять независимых экспериментов показали: строгая надёжность (метрика pass?) выросла с начального значения Gemini 2.5 Flash (0,091) до 0,673 ± 0,136 на финальной контрольной точке.
Этот результат значительно превышает показатели Gemini 3.1 Pro (0,242) на том же наборе данных. Для сравнения, традиционный плоский текстовый подход (HCE) завершил тесты на уровне 0,191 ± 0,051.
Исследователи выделяют два ключевых условия для надёжной долгосрочной эволюции контекста: структурный субстрат, делающий проверку локальной, и механизм консолидации, сохраняющий накопленные инструкции работоспособными. GRACE демонстрирует, что графовое представление может существенно повысить практическую надёжность LLM-агентов.
