Почему с увеличением контекста агент глупеет и что с этим делать
Why More Context Makes Your Agent Dumber and What to Do About It
Расширение context window не гарантирует, что агент удержит информацию из середины входа, поэтому контекст стоит отбирать заранее.
- Отбор контекста вместо дампа — по словам спикера, модели опираются на начало и конец длинного входа, а середину теряют. Спикер сравнивает иерархические сводки, граф знаний и итеративный retrieval, у каждого из которых свои затраты на обработку LLM и ручную настройку.
- Индекс вместо сводок — агенту дают короткий индекс с темами, и он сам решает, какие части кода открыть. По словам спикера, для большинства задач это проще в настройке и даёт лучшие результаты, чем граф.
- 80/20 против оркестрационного парадокса — сильные модели тратят токены на выбор способа решить задачу, поэтому спикер предлагает давать им свободу примерно на 80% работы, а финальную валидацию вынести в жёсткие hard gates с более простой моделью. Бесконечные циклы ограничивают счётчиком из 4–5 итераций или таймаутом в пять минут.
- Judge-агент и калибровка по истории PR — ревью в Qodo разбито на специализированные агенты, а judge-агент сводит их результаты. Веса рекомендаций меняются по индексу прошлых PR и по тому, принимают ли разработчики замечания.
Кому полезно: тем, кто строит multi-agent систему с большим контекстом и замечает, что агент теряет часть задач.
Статья по теме
Главы
Похожие доклады
Почему изменение в одну строку может сломать весь стек
Близко по содержанию
Проблема памяти агентов решена. А обучения — нет.
Heather Downing, Karthik Ranganathan
AI Engineer World's Fair 2026
Близко по содержанию
Context engineering: связываем точки с помощью графов
AI Engineer Code 2025
Близко по содержанию
От coding agents к knowledge work agents
Близко по содержанию

