소프트웨어 엔지니어링 에이전트는 매 단계마다 전체 트랙토리를 LLM에 전송하므로, 온라인 트랙토리 축소(trajectory reduction)가 동기 부여되고 있습니다. 이전 연구에서는 오래된 턴의 토큰 중 무작위로 75%를 삭제하는 것이 에이전트의 효과성을 유지할 수 있음을 보여주었지만, 왜 그런지, 에이전트가 누락된 콘텐츠에 어떻게 보상하는지, 그리고 실제로 비용을 줄이는지에 대해서는 여전히 불분명합니다. 본 논문은 효과성, 에이전트 행동, 그리고 비용에 초점을 맞춘 42가지 트랙토리 축소 구성을 실증적으로 연구합니다. 우리는 SWE-bench Verified에서 두 가지 최신 에이전트를 사용하여 범위(scope), 세분성(granularity), 양(amount), 타이밍을 변화시키며 9,400회의 실행에 걸쳐 오래된 턴의 콘텐츠를 삭제하는 것을 체계적으로 탐구했습니다. 우리는 대량의 트랙토리 콘텐츠(예: 추론 텍스트의 최대 100%)를 삭제해도 전반적인 효과성을 유지할 수 있다는 것을 발견했습니다. 중요한 점은, 즉각적인 삭제는 효과성을 크게 저하시키는 경향이 있으므로, 이러한 삭제는 지연을 두고 적용되어야 한다는 것입니다. 에이전트는 종종 삭제된 콘텐츠를 재요청(re-fetching)함으로써 보상하며, 이는 소요되는 턴의 수와 입력/출력 토큰 수를 모두 증가시킵니다. 트랙토리 축소가 비용을 줄이는지는 가격 책정 모델에 따라 다릅니다. 단일 요금제(flat pricing model) 하에서는 42가지 평가 중 26가지에서 추정 비용이 감소했습니다. 놀랍게도, 캐싱 인식 가격 책정 모델(caching-aware pricing model) 하에서는 트랙토리를 축소하는 것이 낮은 비율로 청구되는 캐시된 접두사(cached prefix)를 끊기 때문에 어떤 평가에서도 비용을 낮추지 못했습니다. 우리의 발견은 세 가지 시사점을 가집니다. 첫째, 토큰 수만으로는 오해의 소지가 있습니다. 트랙토리 축소 기술은 현실적인 가격 책정 모델 하에서 전반적인 비용을 고려해야 합니다. 둘째, 종단 간(end-to-end) 효과성만 분석하는 것은 과도한 재요청과 같은 차이점을 숨기므로, 에이전트 행동을 이해하기 위해서는 트랙토리를 분석하는 것이 중요합니다. 마지막으로, 이러한 결과는 효과성을 희생하지 않으면서 비용을 줄이기 위한 메모리 관리(memory management) 분야의 향후 연구가 필요함을 강조합니다.