에이전트 작업의 복잡성이 증가함에 따라 궤적(trajectory)의 길이가 급격히 길어지고 있으며, 이는 고정된 컨텍스트 창(context window)을 가진 대규모 언어 모델 (LLM) 기반 에이전트에게 상당한 도전 과제를 안겨줍니다. 절단(truncation) 및 요약(summarization)과 같은 기존의 컨텍스트 관리 기술은 본질적인 유연성 부족과 비가역성(irreversibility)이라는 문제를 안고 있습니다. 즉, 정보가 한 번 폐기되거나 압축되면, 이후의 의사결정 단계에서 해당 정보가 결정적으로 중요해지더라도 이를 다시 복구할 수 없습니다. 이러한 한계를 해결하기 위해, 우리는 각 의사결정 단계에서 과거 단계의 정보를 에이전트의 컨텍스트로 탄력적으로 조율하는 플러그 앤 플레이(plug-and-play) 모듈인 ACE (Adaptive Context Elasticizer)를 제안합니다. ACE는 각 과거 단계에 대해 원문 메시지(raw messages)와 압축된 추상화(compressed abstractions)를 모두 저장하는 무손실 메시지 유지 계층(lossless message maintenance layer)을 유지하는 한편, 컨텍스트 조율 계층(context orchestration layer)은 현재 작업 상태에 따라 매 의사결정 단계마다 각 단계를 원문(raw), 추상화(abstract), 또는 폐기(drop) 중 하나의 탄력적 유형으로 적응적으로 할당합니다. 이러한 가역적(reversible) 설계는 메인 LLM이 항상 컴팩트하면서도 정보가 풍부한 컨텍스트를 수신할 수 있도록 보장합니다. 우리는 별도의 학습이나 구조적 수정 없이 ReAct, DeepAgent, WebThinker, MiroFlow를 포함한 네 가지의 다양한 에이전트 프레임워크에 ACE를 적용했습니다. 실험 결과, ACE는 절단 및 요약 베이스라인을 지속적으로 능가하며, 네 가지 에이전트 프레임워크 모두에서 일관된 성능 향상을 가져오는 것으로 나타났습니다.