연구자들은 실행 트레이스로부터 높은 신호 대 잡음비 컨텍스트를 구성하여 장기 에이전트를 최적화하도록 설계된 STRACE(구조적 궤적 분석 및 인과 추출) 프레임워크를 소개했다. 이 방법은 배치 수준에서 실패 패턴을 마이닝하여 중복성을 필터링함으로써, 중복되고 이질적인 데이터의 비효율성에 대응한다.
- 배치 수준에서 STRACE는 실패 패턴을 마이닝하여 중복 트레이스를 필터링하고 대표적인 실패를 유지한다.
- 선택된 트레이스 내에서 텍스트 의존성 그래프에 대해 인과 국소화를 수행하여 비인과적 단계를 제거하고 진정한 근본 원인 모듈을 식별한다.
- VeruSAGE-Bench 형식 검증 작업에서 STRACE는 성공률을 42.5%에서 58.5%로 향상시켰으며, 인간 전문가가 설계한 에이전트 대비 1.4배의 개선을 보였다.
이 프레임워크는 인과적으로 중요한 증거를 버리지 않고 정확한 최적화 신호를 제공함으로써 표준 컨텍스트 필터링 기준을 크게 능가한다.