大規模言語モデル（LLM）を用いたコーディングエージェントは、推論、ツール呼び出し、その結果を累積した軌跡を構築することで、複数ステップの意思決定を実現しています。しかし現在の実装で一般的な「追記のみ」の軌跡アーキテクチャには根本的な課題があります。ファイル読み込みアクションとその観察結果が密結合しており、特定時点のスナップショットが時系列履歴に永続的に固定されてしまうのです。 エージェントの編集や並行する人間による修正を通じてファイルが変更されると、これらのスナップショットは古い情報となり、推論エラーを引き起こします。その結果、エージェントは同じファイルを何度も読み直す必要が生じ、その度に軌跡に別のコピーが追加される非効率な状況に陥ります。 これらの問題を解決するため、研究チームはCORVUS（Context Optimization and Reduction Via Underlying Synchronization）という新しい軌跡アーキテクチャを提案しました。このシステムは、ファイル読み込みアクションと観察結果を分離し、関連ファイルの同期レジストリを維持することで、各推論サイクルで最新の内容のみを注入します。この構造的改善により、軌跡は実際のコードベース状態と設計段階で同期を保つようになり、従来の軌跡をふくれ上がらせていた冗長なファイルコピーと古いスナップショットが排除されます。 SWE-POLYBENCH VERIFIEDとSWE-BENCH PROで4つのLLMを用いた評価の結果、タスクあたりの平均入力トークンを9～50%削減し、最終プロンプトを15～32%短縮、推論サイクルを最大37%削減できました。これらの改善は、比較可能なパス率を維持しながら達成されています。