LLM 에이전트가 세션마다 로드하는 AGENTS.md 같은 고정 컨텍스트 파일을 용량 제약 하의 배정(assortment) 문제로 수식화한 연구다. 모든 유용한 지침을 단순히 추가하는 방식은 최적 부분집합을 고르는 것보다 순가치가 임의로 나빠질 수 있음을 증명했고, 최적 파일 크기의 상한도 제시한다. 누락된 지침은 실제로 문제가 생겼을 때만 피드백이 발생하는 '검열된 피드백' 구조 때문에, 무시된 지침을 삭제하면 오히려 유용한 지침까지 지워버릴 위험이 있다고 밝혔다. 실제 컨텍스트 파일에서 뽑은 무관한 규칙이 모델의 지침 준수율을 낮춘다는 실험 결과도 제시했다. 컨텍스트 파일을 무작정 키우기보다 신중한 선택과 삭제 기준이 필요함을 보여준다.
- •컨텍스트 큐레이션을 용량 제약 배정 문제로 수식화, 최적 파일 크기의 상한 증명
- •모든 지침을 추가하는 것보다 최적 부분집합 선택이 순가치에서 우월함을 증명
- •누락 지침은 피해가 발생할 때만 피드백이 생기는 '검열된 피드백' 구조 분석
- •무시된 지침 삭제가 유용한 지침까지 함께 제거할 위험을 지적
- •실제 컨텍스트 파일에서 추출한 무관 규칙이 LLM 지침 준수율을 저하시킴을 실증
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Curating Always-Loaded Context for LLM Agents: A Capacitated Assortment Model with Censored Feedback
- 1.AGENTS.md 같은 상시 로드 컨텍스트 파일 구성을 '용량 제한 어소트먼트' 문제로 수식화
- 2.모든 유용한 지침을 추가하는 것이 최적 부분집합 선택보다 오히려 나쁠 수 있음을 증명
- 3.피드백이 '검열된' 구조라 무시된 지침을 삭제하면 유용한 지침도 함께 사라질 위험
- 4.실제 컨텍스트 파일의 무관한 규칙이 LLM 지침 준수율을 실제로 낮춘다는 실험 결과
왜 중요한가?
컨텍스트 파일은 매 세션 토큰을 소모하며 많은 팀이 지침을 계속 추가만 하는데, 무분별한 추가가 성능을 떨어뜨릴 수 있음을 수학적으로 보여 AGENTS.md류 파일 관리에 실질적 가이드를 준다.
본문 미리보기
arXiv:2610.11007v1 Announce Type: new Abstract: At the start of every session, LLM agents load a fixed context file, such as $\texttt{AGENTS.md}$. Each loaded token in the file is charged again in every later round of the session, and these files can degrade performance as they grow in size. However, in practice, human or automated curators usually grow these files by appending. We formulate context curation as a capacitated assortment problem. Instructions consume tokens under a finite atten
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안
![[Tech Insight] "AI 해킹, 보안 문제로만 보는 건 위험한 착각"](https://cdn.digitaltoday.co.kr/news/photo/202610/706229_653947_485.jpg)