사용자의 지시사항은 인간이 주변 환경에 대한 암묵적인 가정을 의존하기 때문에 종종 불충분하게 명시되는 경우가 많습니다. 정보가 풍부한 디지털 및 물리적 환경에서 작동하는 대규모 언어 모델 (LLM) 에이전트의 경우, 이러한 가정은 지시사항만으로는 추론할 수 없으며 도구, 데이터, 인터페이스 및 관찰의 현재 상태로부터 복구되어야 합니다. 따라서 효과적인 실행을 위해서는 에이전트가 누락된 문맥을 식별하고, 이를 관찰된 증거에 접지 (grounding)하며, 이후의 행동으로 전달하는 과정이 필요합니다. 우리는 현재의 에이전트들이 이를 수행하는 데 자주 실패한다는 것을 보여줍니다. 에이전트들은 관찰된 구체적인 정보가 아닌 가정된 구체성에 기반하여 행동하며, 수집할 수 있었던 정보를 간과하고, 이미 반환된 증거를 통합하는 데 실패합니다. 이러한 통찰을 바탕으로, 우리는 적응형 접지 (adaptive grounding)를 위한 단순하고 효과적인 에이전트 프레임워크인 ACCORD (Action-Conditioned Contextual Grounding)를 제안합니다. 각 행동을 수행하기 전에, ACCORD는 누락된 정보를 찾기 위해 환경을 능동적으로 탐색하며, 그렇지 않으면 간과될 수 있는 에이전트의 궤적 (trajectory)으로부터 관련 문맥을 통합합니다. 추가적인 학습이나 작업 성공 신호가 필요하지 않은 ACCORD는 AppWorld에서 GPT-5-mini를 사용하여 강력한 베이스라인 대비 작업 목표 완료율을 42.0%에서 62.6%로 최대 +20.6포인트 향상시켰습니다. 이러한 성능 향상은 훨씬 더 강력한 베이스 모델 (+10.8 with Claude-4.5-sonnet), 오픈 웨이트 (open-weight) 모델 (+10.1 with Qwen3.5-27B-FP8), 그리고 임바디드 (embodied) AlfWorld 벤치마크 (+7.4 성공률 with GPT-5-mini)에서도 지속됩니다.