Стандартные механизмы сжатия контекста в больших языковых моделях незаметно уничтожают более 80% пользовательских ограничений во время многоэтапных диалоговых сессий. Согласно исследованию Университета штата Пенсильвания, в рамках которого компрессию контекста протестировали на специализированном бенчмарке COMPINT, после суммаризации сохраняется в среднем лишь 17% заданных поведенческих рамок. В то время как исходные несжатые сессии удерживают соблюдение правил на уровне от 59% до 71%, поведение моделей после компрессии деградирует до состояния, практически неотличимого от полного отсутствия ограничений на старте.
Пайплайны сжатия систематически отдают приоритет непрерывности повествования — отслеживанию целей пользователя, текущего состояния и ближайших шагов, — при этом агрессивно отсекая запреты и операционные защитные барьеры. В корпоративной среде явные инструкции (например, требование запросить подтверждение пользователя перед отправкой письма или блокировка определенных вызовов API) попросту исчезают из рабочей памяти. Такая скрытая эрозия создает серьезные риски для безопасности и комплаенса: автономные агенты начинают выполнять несанкционированные вызовы инструментов или сливать конфиденциальные данные без каких-либо системных ошибок.
Промпт-инжиниринг не решает эту проблему: даже инструкции, специально адаптированные для удержания правил, обеспечивают сохранение менее 40% ограничений. Относиться к сжатию контекста как к обычной суммаризации текста — фундаментальная ошибка. Исследователи доказали, что архитектурная доработка — внедрение компактной вспомогательной модели вроде Qwen3.5-9B для выделения, фиксации и повторного внедрения операционных рамок вместе со сжатым контекстом — возвращает точность следования инструкциям. Для команд, создающих долгоживущие агентные системы, выделенное извлечение ограничений перестает быть оптимизацией и становится обязательным элементом защиты.