이 논문은 장기 상호작용(long-horizon interaction)을 수행하는 LLM 에이전트(LLM agent)가 직면하는 근본적인 제약, 즉 컨텍스트(context) 한계에 대해 다룹니다. LLM 에이전트가 복잡하거나 장기적인 작업을 수행할 때, 상호작용의 길이가 길어짐에 따라 도구 설명(tool description), 검색된 기억(retrieved memories), 그리고 원시 환경 피드백(raw environmental feedback)과 같은 다양한 정보들이 컨텍스트 창(context window) 내에 누적됩니다. 이러한 정보의 축적은 에이전트의 추론 및 의사결정에 필수적인 핵심 정보를 컨텍스트에서 밀어내는 결과를 초래하여, 에이전트의 성능 저하로 이어집니다.

이러한 문제점을 해결하기 위해 논문은 "GenericAgent"라는 새로운 LLM 에이전트 프레임워크를 제안합니다. GenericAgent는 특히 "Token-Efficient(토큰 효율적인)" 및 "Self-Evolving(자기-진화적인)" 특성을 지니며, "Contextual..." 방식으로 컨텍스트 한계를 완화하는 것을 목표로 합니다. (제공된 논문 내용에서는 "Contextual..." 이후의 구체적인 방법론이나 기술적인 상세 설명은 포함되어 있지 않아, 해당 방식이 어떻게 토큰 효율성과 자기 진화 능력을 구현하는지에 대한 자세한 설명은 불가능합니다.) 궁극적으로 GenericAgent는 LLM 에이전트가 긴 상호작용에서도 필수적인 정보를 효과적으로 관리하고 유지할 수 있도록 설계되어, 장기적인 작업 수행 능력을 향상시키는 것을 목표로 합니다.