장기 컨텍스트 에이전트에 필요한 것은 점진적 공개(Progressive Disclosure)만인가?

Is Progressive Disclosure All You Need for Long-Context Agents?

긴 문서에 대한 질의응답은 일반적으로 전체 문서를 컨텍스트 창에 로드하는 방식과 별도의 검색 시스템을 결합하는 방식 중 하나를 선택하도록 강요합니다. 에이전트 기반 AI는 더 넓은 가능성을 제시하며, 에이전트에게 문서 경로를 제공하고 에이전트가 읽을 내용과 방법을 스스로 결정하도록 합니다. Agent Skills는 에이전트가 필요에 따라 로드하는 폴더에 전문 지식을 패키징하는 표준으로, 점진적 공개 메커니즘을 제공합니다. 이는 쿼리에 필요한 정보만 노출하며, 짧은 설명부터 특정 문단까지 포함할 수 있습니다. 이 패턴은 책 전체를 이해하는 작업에 빠르게 적용되었지만, 이러한 선택을 뒷받침하는 근거는 아직 부족했습니다. 본 연구에서는 InfiniteBench 데이터셋에서 세 가지 에이전트 프레임워크와 세 가지 모델 패밀리를 사용하여 점진적 공개 패턴에 대한 최초의 통제된 실험을 수행했습니다. 실험은 원본 문서 탐색 방식과 다양한 Agent Skills 패키지 디자인을 기존 하이브리드 검색 시스템과 비교했습니다. 단일 책에 대해 성능 향상은 에이전트 프레임워크에 따라 달라졌으며, 에이전트가 원본 문서를 제대로 탐색하지 못할 때는 큰 효과를 보였지만, 강력한 에이전트 프레임워크가 이미 자체적으로 분할 및 검색을 수행하는 경우에는 거의 차이가 없었습니다. 여러 책으로 확장된 작업에서는 원본 문서 탐색 방식이 급격히 성능 저하를 보이는 반면, 한 단계의 점진적 공개 방식은 더 느리게 성능이 저하되고 궁극적으로 더 나은 결과를 보였습니다. 두 번째, 더 깊은 수준의 라우팅은 도움이 되지 않으며 때로는 정확도를 떨어뜨리므로, 하나의 단계만으로 충분합니다. 점진적 공개는 컨텍스트를 확보하는 기술이지 지능을 높이는 기술이 아닙니다. 강력한 에이전트가 스스로 적절한 문장을 찾을 수 있는 경우에는 불필요하지만, 코퍼스가 너무 커져 읽기를 통해 탐색하기 어려워지는 경우에는 결정적인 역할을 합니다.

Long-document question answering usually forces a choice between loading the whole document into the context window and bolting on a separate retriever. Agentic AI suggests a broader option, giving the agent the document path and letting it decide how and what to read. Agent Skills, a standard for packaging expertise into folders an agent loads on demand, supply a ready mechanism: progressive disclosure, which exposes only what a query needs, from a short description down to the specific passages. Practitioners rapidly adopted this pattern for book-length understanding tasks, but the evidence to support such choices has been anecdotal. We run the first controlled study of the pattern, comparing raw-document navigation and several designs of Agent Skills packs against a classical hybrid retriever across three agent harnesses and three model families on InfiniteBench. On a single book, the gain depends on the harness, running large when the agent navigates the raw document poorly but near zero when a strong agent harness already divides and retrieves on its own. When scaling up to tasks that span many books, raw-document navigation collapses while one-level progressive disclosure degrades more slowly and pulls ahead. A second, deeper routing level never helps and sometimes breaks accuracy outright, so one level is enough. Progressive disclosure buys context, not intelligence: it is redundant while a strong agent can locate the right passages itself, and decisive once the corpus grows too large to navigate by reading.