ACE: 에이전트에 적용 가능한 적응형 컨텍스트 확장 모듈

ACE: Pluggable Adaptive Context Elasticizer across Agents

에이전트 기반 작업의 복잡성이 증가함에 따라, 대규모 언어 모델(LLM) 기반 에이전트가 처리해야 하는 데이터 경로는 빠르게 늘어나고 있으며, 이는 고정된 컨텍스트 창을 가진 LLM 에이전트에 상당한 어려움을 야기합니다. 기존의 컨텍스트 관리 기법인 정보 절단 및 요약은 내재적인 비유연성과 되돌릴 수 없는 단점을 가지고 있습니다. 즉, 한 번 정보가 삭제되거나 압축되면 이후 의사 결정 단계에서 중요한 정보로 변하는 경우에도 복구할 수 없습니다. 이러한 제한 사항을 해결하기 위해, 우리는 Adaptive Context Elasticizer (ACE)라는 플러그 앤 플레이 모듈을 제안합니다. ACE는 각 의사 결정 단계마다 에이전트의 컨텍스트에 과거 작업 정보를 유연하게 통합합니다. ACE는 원본 메시지와 압축된 요약 데이터를 모두 저장하는 손실 없는 메시지 유지 계층과, 현재 작업 상태에 따라 각 단계를 원본, 요약 또는 삭제 유형으로 적응적으로 할당하는 컨텍스트 조정 계층을 포함합니다. 이러한 되돌릴 수 있는 설계 덕분에, LLM은 항상 간결하면서도 풍부한 정보를 담고 있는 컨텍스트를 받게 됩니다. 우리는 ACE를 ReAct, DeepAgent, WebThinker 및 MiroFlow를 포함한 네 가지 다양한 에이전트 프레임워크에 적용했으며, 학습 또는 아키텍처 수정 없이 적용했습니다. 실험 결과, ACE는 기존의 정보 절단 및 요약 기법보다 일관되게 성능이 우수하며, 네 가지 에이전트 프레임워크 모두에서 일관된 성능 향상을 가져옵니다.

The increasing complexity of agentic tasks has led to rapidly growing trajectory lengths, which poses significant challenges for large language model (LLM) based agents with fixed context windows. Existing context management techniques, such as truncation and summarization, suffer from inherent inflexibility and irreversibility: once information is discarded or compressed, it cannot be recovered even when it becomes critically relevant in later decision steps. To address these limitations, we propose the Adaptive Context Elasticizer (ACE), a plug-and-play module that elastically orchestrates historical step information into the agent's context at each decision step. ACE maintains a lossless message maintenance layer that stores both raw messages and compressed abstractions for each historical step, while a context orchestration layer adaptively assigns each step an elastic type as raw, abstract, or drop, at every decision step based on the current task state. This reversible design ensures that the main LLM always receives a compact yet information-rich context. We adapt ACE to four diverse agent frameworks, including ReAct, DeepAgent, WebThinker, and MiroFlow, without training or architectural modifications. Experiments show that ACE consistently outperforms truncation and summarization baselines, and brings consistent performance gains across all four agent frameworks.