Les chercheurs présentent STRACE (Structural TRajectory Analysis and Causal Extraction), un cadre conçu pour optimiser les agents à long terme en construisant des contextes à haut rapport signal sur bruit à partir de traces d'exécution. La méthode traite l'inefficacité des données redondantes et hétérogènes en extrayant des motifs d'échec au niveau du lot pour filtrer la redondance.
- Au niveau du lot, STRACE extrait les motifs d'échec pour filtrer les traces redondantes et conserver les échecs représentatifs.
- Au sein des traces sélectionnées, il effectue une localisation causale sur un graphe de dépendance textuelle pour supprimer les étapes non causales et identifier les véritables modules de cause racine.
- Sur la tâche de vérification formelle VeruSAGE-Bench, STRACE a amélioré les taux de succès de 42,5 % à 58,5 %, soit une amélioration de 1,4x par rapport aux agents conçus par des experts humains.
Le cadre surpasse considérablement les bases de filtrage de contexte standard en fournissant des signaux d'optimisation précis sans rejeter les preuves causalement importantes.