روشی برای پالایش زمینهٔ گفتگوهای چندمرحله‌ای با هوش مصنوعی پیشنهاد شد

مدل‌های زبانی ممکن است در گفتگوهای چندمرحله‌ای به‌دلیل «آلودگی زمینه» افت کنند: پاسخ‌های قبلی دستیار در متن باقی می‌مانند و بر نوبت‌های بعدی اثر می‌گذارند؛ در نتیجه، برداشت نادرست اولیه از منظور کاربر حتی پس از اصلاح او هم می‌تواند ادامه پیدا کند. حذف همهٔ پیام‌های دستیار این مشکل را برطرف می‌کند، اما ارجاع‌های بعدی به پیش‌نویس‌ها، تصمیم‌ها و نتایج فراخوانی ابزارها را که فقط در پیام‌های دستیار آمده‌اند، از بین می‌برد.

پژوهشگران روش Agentic Conversation Context Curation یا AC3 را پیشنهاد کرده‌اند. در این روشِ بدون آموزش، یک تحلیل‌گر جداگانه مشخصات کار را فقط از پیام‌های کاربر استخراج و یکپارچه می‌کند، پاسخ‌های پیشین دستیار را با آن می‌سنجد و سپس زمینهٔ گفتگو را ویرایش می‌کند. بخش در دسترس از چکیده می‌گوید این ویرایش می‌تواند با افزودن تحلیل همراه باشد؛ اما متن منبع ارائه‌شده جزئیات کامل روش یا نتایج ارزیابی آن را بیان نمی‌کند.