Une nouvelle technique appelée Gliding Horse aborde un défi fondamental du développement d'agents IA : maintenir la pertinence contextuelle sur de longues interactions. Le système utilise un RelevanceTracker qui évalue les éléments contextuels sur deux dimensions—utilité immédiate et importance à long terme—puis applique une stratégie d'éviction L1 pour élaguer les informations de faible valeur. Un ContextWindowManager compresse davantage la fenêtre active en fonction de la pertinence perçue, tandis qu'une analyse de cohérence en arrière-plan assure la continuité thématique. Cette approche est particulièrement précieuse pour les agents qui doivent maintenir un comportement cohérent sur de nombreux échanges, comme les bots de support client ou les assistants de recherche. La profondeur technique suggère que l'auteur a implémenté et testé cela dans un système réel, ce qui en fait plus qu'une proposition théorique. Pour les développeurs construisant des frameworks d'agents de production, Gliding Horse offre un modèle concret pour gérer efficacement les fenêtres contextuelles sans perdre d'informations critiques.
Un nouveau système de compression contextuelle pour les agents IA utilise un scoring de pertinence à deux dimensions et une stratégie d'éviction L1 pour éviter la dérive contextuelle.