ИИ-агенты систематически разрушают собственные цепочки рассуждений еще до запуска алгоритмов поиска информации. Исследование Мингю Сона из Университета Ёнсе, принятое на воркшоп FAGEN@ICML 2026, вскрыло фундаментальную архитектурную уязвимость на этапе предобработки — структурно-опосредованное вытеснение необходимых предпосылок.
В условиях жестких лимитов на размер контекста стандартные эвристики сжатия безвозвратно стирают ранние логические блоки, которые имеют слабое семантическое или лексическое сходство с финальным запросом. Поскольку именно эти вводные данные валидируют последующие решения, их преждевременная очистка фатально разрывает многошаговые логические цепочки. Модуль RAG попросту не способен извлечь факты, которые примитивный сборщик мусора уже удалил из памяти.
Чтобы устранить эту слепую зону, автор протестировал алгоритм Dependency-aware Semantic Garbage Collection (DSGC). Этот механизм учитывает граф зависимостей с глубиной в один переход и защищает блоки памяти на основе их структурной достижимости. В бенчмарках DSGC поднял сохранение полных логических цепочек с катастрофических 0,03 до 0,90 при использовании лексических энкодеров и с 0,23 до идеальных 1,00 — на моделях эмбеддингов предложений.
Большинство современных агентных систем полностью перекладывают обход графа на этап финального поиска, доверяя предварительную очистку памяти простейшим семантическим фильтрам. Переосмысление удержания контекста как задачи структурной достижимости позволит разработчикам защитить логический фундамент рабочих процессов ИИ от разрушительной оптимизации.