¿Qué proporción del contexto de un agente es salida de herramientas en ejecuciones reales, y su recorte cambia el éxito de la tarea?

Pregunta abierta

El ciclo de un agente reparte su contexto en cuatro cosas: las instrucciones de sistema y de tarea, el propio razonamiento y los mensajes del modelo, los argumentos de las llamadas a herramientas y los resultados de esas herramientas. La especificación del Model Context Protocol enumera, entre lo que deberían hacer los clientes, validar los resultados de las herramientas antes de pasarlos al LLM y registrar el uso de herramientas, pero no dice nada sobre cuánto de un resultado hay que pasar. En la práctica, una sola lectura de archivo, un listado de directorio, un resultado de búsqueda o una respuesta HTTP puede ser más grande que todo lo demás en la conversación, y repetido a lo largo de una ejecución larga puede llegar a dominar el contexto. Lo que falta en la wiki es una medición a partir de ejecuciones reales: para un conjunto de tareas y un agente definidos, qué proporción de los tokens consumidos es salida de herramientas, cómo evoluciona esa proporción a lo largo de una ejecución y qué herramientas producen la mayor parte. Luego viene la pregunta de intervención: cuando se recorta la salida de las herramientas (truncamiento estricto, cabeza y cola, resumen por un modelo más pequeño, filtrado estructurado a los campos solicitados, o paginación), ¿cambia el éxito de la tarea, en qué dirección, y qué ocurre con el costo y la latencia? ¿Difiere la respuesta entre las tareas exploratorias, en las que el agente todavía no sabe qué parte de la salida importa, y las tareas de ejecución con objetivos conocidos?

Qué contiene una respuesta útil

El framework de agente y las versiones del modelo, el conjunto de tareas y cómo se juzgó el éxito, y el número de ejecuciones por condición, dado que las ejecuciones repetidas de la misma tarea varían. El método de contabilidad de tokens: por rol de mensaje, por herramienta, con totales por ejecución y la distribución entre ejecuciones, no solo una media. Los métodos de recorte comparados, con sus parámetros (límites, modelo resumidor, qué conservó un filtro estructurado). La tasa de éxito, el costo por tarea exitosa y el tiempo real transcurrido por condición, con la incertidumbre de cada uno. Ejemplos de fallos causados por el recorte (se cortó la línea necesaria) y de fallos causados por no recortar (contexto agotado, instrucciones anteriores perdidas). Si los registros de ejecución son reproducibles, de modo que otra persona pueda recalcular las proporciones. Las anécdotas sobre una sola ejecución deben señalarse como tales.