🤖 AI

Scoped Verification for Reliable Long-Horizon Agentic Context Evolution under Distribution Shift

यह शोध पत्र ग्राफ-रेगुलराइज्ड एजेंटिक कॉन्टेक्स्ट इवोल्यूशन (GRACE) प्रस्तुत करता है, जो अपडेट के स्थानीय सत्यापन को सक्षम करने के लिए निरंतर सिस्टम निर्देशों को टाइप किए गए सिमेंटिक ग्राफ के रूप में संरचित करता है, जिससे फ्लैट-टेक्स्ट बेसलाइन की तुलना में डिस्ट्रीब्यूशन शिफ्ट के तहत एलएलएम (LLM) एजेंटों की लॉन्ग-होरिज़न विश्वसनीयता में महत्वपूर्ण सुधार होता है।

मूल लेखक: Dan C. Hsu, Luke Lu

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dan C. Hsu, Luke Lu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक टेलीकॉम कंपनी के लिए कॉल संभालने वाले एक सुपर-स्मार्ट रोबोट असिस्टेंट को प्रशिक्षित कर रहे हैं। आप हर दिन रोबोट के दिमाग को रीप्रोग्राम नहीं कर सकते, और न ही आप उसके द्वारा उपयोग किए जाने वाले टूल्स को बदल सकते हैं। आप केवल उसकी "नियम पुस्तिका" (rulebook) में बदलाव कर सकते हैं—निर्देशों की एक लंबी सूची जो उसे बताती है कि उसे कैसे व्यवहार करना है, क्या कहना है, और किन चीजों से बचना है।

यह शोध पत्र, GRACE, एक सरल लेकिन पेचीदा सवाल पूछता है: आप उस नियम पुस्तिका को लंबे समय तक बिना किसी अव्यवस्थित या विरोधाभासी आपदा में बदले, कैसे अपडेट रख सकते हैं?

समस्या: "फ्लैट-टेक्स्ट" का जाल (The "Flat Text" Trap)

ज्यादातर लोग पूरी नियम पुस्तिका को फिर से लिखकर या एक लंबे टेक्स्ट डॉक्यूमेंट के अंत में नए पैराग्राफ जोड़कर अपडेट करने की कोशिश करते हैं। लेखक इसे "फ्लैट-टेक्स्ट मेंटेनेंस" कहते हैं।

इसे एक ग्रुप चैट की तरह समझें जहाँ हर कोई बस अंत में नए नियम टाइप करता जा रहा है। शुरुआत में, यह बहुत अच्छा काम करता है। लेकिन कुछ हफ्तों के बाद, चैट 500 पन्नों की हो जाती है। आपके पास पेज 10 पर एक नियम है जो कहता है "हमेशा विनम्र रहें," और पेज 499 पर एक नया नियम है जो कहता है "गुस्से में स्पष्टवादी (blunt) बनें।" चैट को यह पता नहीं चलता कि ये दोनों आपस में विरोधाभासी हैं। रोबोट भ्रमित हो जाता है, गलतियाँ करने लगता है, और अंततः पूरा सिस्टम टूट जाता है। शोध पत्र दिखाता है कि जब आप केवल टेक्स्ट जोड़ते रहते हैं, तो रोबोट की विश्वसनीयता वास्तव में कुछ समय बाद गिर जाती है।

समाधान: "स्मार्ट मैप" (GRACE)

लेखक एक नया तरीका प्रस्तावित करते हैं जिसे GRACE (Graph-Regularized Agentic Context Evolution) कहा जाता है। टेक्स्ट की एक लंबी सूची के बजाय, वे नियम पुस्तिका को एक स्ट्रक्चर्ड मैप (ग्राफ) में बदल देते हैं।

कल्पना कीजिए कि नियम केवल टेक्स्ट की पंक्तियाँ नहीं हैं, बल्कि एक मैप पर नोड्स (बिंदु) हैं, जो लाइनों से जुड़े हुए हैं जो दिखाते हैं कि वे एक-दूसरे से कैसे संबंधित हैं।

एक बिंदु एक "नियम" (जैसे, "विनम्र रहें") है।
दूसरा बिंदु एक "तथ्य" (जैसे, "ग्राहक थके हुए हैं") है।
एक लाइन उन्हें जोड़ती है जो कहती है, "यह तथ्य इस नियम का समर्थन करता है।"

जब रोबोट कोई गलती करता है, तो सिस्टम केवल एक नया पैराग्राफ नहीं लिखता। यह मैप को देखता है। यह उस विशिष्ट बिंदु (नियम) को ढूंढता है जिसने परेशानी पैदा की और उसके आस-पास के पड़ोस (neighbors) की जांच करता है।

क्या यह नया विचार अपने आस-पास के नियमों के साथ टकरा रहा है? (विरोधाभास की जांच)
क्या यह नया विचार पुराने विचार की केवल एक पुनरावृत्ति है? (पुनरावृत्ति की जांच)

यदि नया विचार मैप के स्थानीय परिवेश (local neighborhood) में फिट बैठता है, तो इसे जोड़ा जाता है। यदि यह मैप के तर्क को तोड़ता है, तो इसे तुरंत खारिज या ठीक कर दिया जाता है। अंत में, सिस्टम अपडेटेड मैप को वापस उस टेक्स्ट में बदल देता है जिसे रोबोट वास्तव में पढ़ता है।

प्रयोग: एक खींचतान (A Tug-of-War)

शोधकर्ताओं ने एक विशिष्ट रोबोट मॉडल (Gemini 2.5 Flash) का उपयोग करके एक सिम्युलेटेड टेलीकॉम वातावरण (एक नकली फोन कंपनी) में इसका परीक्षण किया। परिणामों की पुष्टि के लिए उन्होंने सिमुलेशन को पाँच बार चलाया। उन्होंने रोबोट के सामने आने वाले कॉल के प्रकारों को हर कुछ राउंड के बाद बदला ताकि यह देखा जा सके कि क्या नियम पुस्तिका बिना बिखरे अनुकूलित हो सकती है।

यहाँ क्या हुआ:

शुरुआती बिंदु: किसी भी अपडेट से पहले, रोबलेट विश्वसनीयता के मामले में बहुत खराब था। वह सख्त टेस्ट (लगातार तीन बार काम सही करना) को केवल 0.091 बार (लगभग 9% बार) पास कर पाया।
"फ्लैट टेक्स्ट" टीम (HCE): उन्होंने केवल टेक्स्ट जोड़ने का पुराना तरीका अपनाया। रोबोट पहले थोड़ा बेहतर हुआ, 0.215 तक पहुँचा, लेकिन फिर यह फिसलने लगा। अंत तक, यह वापस 0.191 पर आ गया। नियम पुस्तिका बहुत अव्यवस्थित हो गई, और रोबोट निरंतरता बनाए रखना भूल गया।
"चेक के बिना मैप" टीम: उन्होंने मैप का उपयोग किया लेकिन विरोधाभासों या पुनरावृत्ति की जांच नहीं की। उन्हें 0.458 का अच्छा उछाल मिला, लेकिन फिर वे बुरी तरह गिर गए, जो 0.248 पर समाप्त हुआ। मैप ने चीजों को व्यवस्थित करने में मदद की, लेकिन "नेबरहुड चेक" के बिना, नियम फिर से ढेर होकर कचरा बन गए।
GRACE टीम: इस टीम ने मैप और सख्त नेबरहुड चेक्स दोनों का उपयोग किया। वे 0.091 से शुरू हुए और लगातार ऊपर चढ़े। अंतिम चेकपॉइंट तक, वे सख्त टेस्ट को 0.673 बार (लगभग 67%) पास कर रहे थे।

बड़ा मुकाबला: यहाँ तक कि एक बिल्कुल नया, बहुत स्मार्ट रोबोट मॉडल (Gemini 3.1 Pro) जो बिना किसी अपडेट के शुरू से काम कर रहा था, वह केवल 0.242 ही प्रबंध कर पाया। GRACE टीम, जिसने एक पुराने रोबोट मॉडल का उपयोग किया लेकिन एक स्मार्ट अपडेट सिस्टम का उपयोग किया, ने नए रोबोट को बड़े अंतर से पीछे छोड़ दिया।

इसका क्या अर्थ है (और क्या नहीं है)

शोध पत्र सुझाव देता है कि यदि आप चाहते हैं कि एक रोबोट लंबे समय तक बिना टूटे विकसित होता रहे, तो आप केवल टेक्स्ट का ढेर नहीं लगा सकते। आपको एक संरचना (जैसे एक मैप) की आवश्यकता है जो आपको यह जांचने की अनुमति दे कि क्या नए विचार पुराने विचारों के साथ स्थानीय स्तर पर (locally) फिट बैठते हैं।

हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह हर चीज़ के लिए जादुई समाधान नहीं है।

उन्होंने इसे केवल एक टेलीकॉम कस्टमर सर्विस सिमुलेशन में टेस्ट किया है। वे अभी नहीं जानते कि क्या यह कोडिंग, चिकित्सा सलाह, या कार चलाने के लिए भी काम करता है।
उन्होंने इसे केवल एक विशिष्ट रोबोट मॉडल और एक विशिष्ट सेट टूल्स के साथ टेस्ट किया है।
परिणाम सिमुलेशन (कंप्यूटर टेस्ट) पर आधारित हैं, वास्तविक मनुष्यों के साथ वास्तविक फोन कॉल पर नहीं।

लेकिन सबक स्पष्ट है: यदि आप चाहते हैं कि एक रोबोट महीनों या वर्षों में अपना व्यक्तित्व और नियम विकसित करे, तो आपको उसके निर्देशों को एक डायरी की तरह नहीं, बल्कि एक सुव्यवस्थित मैप की तरह मानना होगा। यदि आप एक नया घर जोड़ने से पहले उसके पड़ोस की जांच नहीं करते हैं, तो पूरा शहर अंततः ढह जाएगा।

तकनीकी सारांश: विश्वसनीय दीर्घ-क्षितिज एजेंटिक संदर्भ विकास (GRACE) के लिए स्कोपड सत्यापन (Scoped Verification)

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र एक निश्चित परिचालन ढांचे (fixed operational harness) के तहत दीर्घ-क्षितिज एजेंटिक संदर्भ विकास (long-horizon agentic context evolution) की चुनौती को संबोधित करता है। तैनात किए गए लार्ज लैंग्वेज मॉडल (LLM) एजेंट सिस्टम में, "एजेंट संदर्भ" को कार्य इनपुट, टूल ऑब्जर्वेशन और एक स्थिर सिस्टम-स्तरीय निर्देश (persistent system-level instruction) से संकलित किया जाता है जो एजेंट की भूमिका, बाधाओं और डोमेन धारणाओं को परिभाषित करता है।

जब समय के साथ कार्य वितरण (task distributions) बदलते हैं, तो इस निर्देश को प्रभावी बने रहने के लिए परिचालन अनुभव के आधार पर संशोधित किया जाना चाहिए। हालांकि, इस निर्देश को फ्लैट टेक्स्ट (flat text) के रूप में बनाए रखना जैसे-जैसे आर्टिफैक्ट बढ़ता है, महत्वपूर्ण विफलता मोड का कारण बनता है:

संदर्भ पतन (Context Collapse): विसंगतियां संचित होती हैं, जिससे पिछले सुधार कमजोर पड़ जाते हैं।
सत्यापन में कठिनाई (Verification Difficulty): जैसे-जैसे दस्तावेज़ बढ़ता है, नियमों, बाधाओं और प्रक्रियाओं के बीच संबंधों को सत्यापित करना लॉन्ग-कॉन्टेक्स्ट प्रोसेसिंग पर अधिक निर्भर हो जाता है, जिससे विरोधाभासों या अतिरेकता (redundancy) का पता लगाना कठिन हो जाता है।
अनियंत्रित वृद्धि (Unbounded Growth): संरचनात्मक प्रबंधन के बिना, निर्देश सामग्री अनियंत्रित रूप से बढ़ सकती है, जिससे दिशानिर्देशों के संघर्ष और विश्वसनीयता में गिरावट आती है।

मुख्य समस्या विकास के लिए उपयोग किए जाने वाले प्रतिनिधित्व पदार्थ (representation substrate) को अलग करना है। शोध यह प्रश्न पूछता है कि क्या एक संरचनात्मक प्रतिनिधित्व, फ्लैट-टेक्स्ट रखरखाव की तुलना में, विस्तारित विकास क्षितिजों पर सत्यापन प्रभावशीलता और समेकन (consolidation) को बनाए रख सकता है, जबकि मॉडल, टूल्स और हार्नेस स्थिर रहते हैं।

2. कार्यप्रणाली: GRACE

लेखक ग्राफ-रेगुलराइज्ड एजेंटिक कॉन्टेक्स्ट इवोल्यूशन (GRACE) प्रस्तावित करते हैं, जो एक फ्रेमवर्क है जो निरंतर निर्देश को फ्लैट टेक्स्ट के बजाय एक टाइप्ड सिमेंटिक ग्राफ (typed semantic graph) के रूप में बनाए रखता है। तैनात आर्टिफैक्ट टेक्स्ट ही रहता है, लेकिन विकास प्रक्रिया ग्राफ पदार्थ (graph substrate) पर संचालित होती है।

2.1 ग्राफ-रेगुलराइज्ड सबस्ट्रेट (Graph-Regularized Substrate)

GRACE निर्देश को एक निर्देशित टाइप्ड ग्राफ $G_t = (V_t, E_t)$ के रूप में प्रस्तुत करता है:

नोड्स ( $V$ ): परमाणु निर्देश इकाइयों को एनकोड करते हैं, जिन्हें तीन ऑब्जेक्ट प्रकारों में वर्गीकृत किया गया है:
- identity: एजेंट की स्थिति (जनादेश और विषय)।
- norm: आचरण नियम (मानकों को संतुष्ट करना या उल्लंघन करना)।
- knowledge: डोमेन धारणाएं (तर्क आधार)।
एजेस ( $E$ ): संरचनात्मक संबंधों को एनकोड करते हैं, जिन्हें वर्गीकृत किया गया है:
- supports: आधार या औचित्य (grounding or justification)।
- refines: विशिष्टता (शर्तें/अपवाद जोड़ना)।
- sequence: प्रक्रियात्मक क्रम (procedural ordering)।
स्कीमा बाधाएं (Schema Constraints): एक नेटवर्क स्कीमा $\mathcal{T}_G$ संबंधों के लिए स्वीकार्य सोर्स-टारगेट टाइप पेयर्स को परिभाषित करता है, जिससे यह सुनिश्चित होता है कि सभी अपडेट स्कीमा-अनुपालन हों।

2.2 विकास पाइपलाइन (Evolution Pipeline)

विकास ऑपरेटर $F_{Evolve}$ पिछले स्टेट $(G_{t-1}, \ell_{t-1}, o_t)$ को अगले स्टेट $(G_t, \ell_t)$ में तीन चरणों के माध्यम से परिवर्तित करता है:

ऑपरेशन प्लानिंग (Operation Planning):
- एक LLM-मध्यस्थ प्लानर डायग्नोस्टिक ऑब्जर्वेशन (जो विफल एजेंट इंटरैक्शन से प्राप्त होता है) को टाइप्ड ग्राफ एडिट्स $\Delta^{edit}_t$ (जैसे, AddNode, ModifyNode, AddEdge) के सेट में परिवर्तित करता है।
- ये एडिट्स एक मध्यवर्ती ग्राफ $\hat{G}_t$ बनाने के लिए नियत रूप से (deterministically) लागू किए जाते हैं।
- एक रिलेशन-मेंटेनेंस मॉड्यूल संपादित नोड्स से जुड़े संबंधों की समीक्षा करता है और अतिरिक्त संबंध-स्तरीय एडिट्स $\Delta^{rel}_t$ का प्रस्ताव करता है।
संरचनात्मक सत्यापन (Structural Validation - Scoped Verification):
- पूरे टेक्स्ट को फिर से पढ़ने के बजाय, सत्यापन लोकल टाइप्ड नेबरहुड्स (local typed neighborhoods) पर केंद्रित होता है।
- एक वैलिडेशन रेडियस $k$ , "स्पर्श किए गए" (touched) नोड्स (वे जो प्लानिंग स्टेज में संशोधित किए गए थे) के आसपास एक नेबरहुड $N_k$ को परिभाषित करता है।
- स्ट्रक्चरल एनालिसिस (SA) इस स्थानीय सबग्राफ की दो सिमेंटिक समस्याओं के लिए जांच करता है:
  - विरोधाभास (Contradiction): उन ओवरलैपिंग निर्देश इकाइयों का पता लगाता है जहाँ संयुक्त असंतोषजनकता (joint unsatisfiability) है, जिन्हें एक साथ संतुष्ट नहीं किया जा सकता।
  - अतिरेकता (Redundancy): उस कमी का पता लगाता है जहाँ एक यूनिट बिना संरचनात्मक विभेदन के दूसरी यूनिट को समाहित कर लेती है (जैसे, अलग-अलग सपोर्ट नेबरहुड्स के बिना)।
- पहचाने गए मुद्दों को स्कीमा-अनुपालन ऑपरेशन्स का उपयोग करके सुधारा जाता है।
डेल्टा रिकंस्ट्रक्शन (Delta Reconstruction):
- प्रमाणित ग्राफ $G_t$ को वापस टेक्स्टुअल निर्देश चेकपॉइंट $\ell_t$ में परिवर्तित किया जाता है।
- यह ग्राफ-स्तरीय परिवर्तनों के अनुरूप इंक्रीमेंटल एडिट्स (incremental edits) के माध्यम से किया जाता है, जिससे अप्रभावित सामग्री और फॉर्मेटिंग सुरक्षित रहती है।

3. प्रयोगात्मक सेटअप (Experimental Setup)

डोमेन: टेलीकॉम कस्टमर सर्विस, जो $\tau^2$ -bench से लिया गया है।
प्रोटोकॉल: 10 इवोल्यूशन बैचों पर एक नियंत्रित डिस्ट्रीब्यूशन-शिफ्ट प्रोटोकॉल। अनुभव बैच दो इंटेंट-मिक्सचर चरणों (फेज A और फेज B) के बीच बारी-बारी से चलते हैं ताकि रिटेंशन और एडैप्टेशन का परीक्षण किया जा सके।
स्थितियां (Conditions):
1. GRACE: पूर्ण विधि (ग्राफ सबस्ट्रेट + स्ट्रक्चरल एनालिसिस)।
2. GRACE w/o SA: स्ट्रक्चरल एनालिसिस के बिना ग्राफ सबस्ट्रेट (एब्लेशन)।
3. HCE (Holistic Context Evolution): एक बिल्ट-इन कंसिस्टेंसी गार्ड के साथ फ्लैट-टेक्स्ट बेसलाइन।
मेट्रिक्स:
- pass@k: क्षमता (best-of-k)।
- pass^k: सख्त विश्वसनीयता (सभी-k ट्रायल सफल होने चाहिए)।
- Backward Transfer (BWT): विशिष्ट इंटेंट्स पर प्रदर्शन का प्रतिधारण (retention) जब डिस्ट्रीब्यूशन शिफ्ट हो जाता है।
मॉडल: एजेंट मॉडल Gemini 2.5 Flash पर स्थिर है। डायग्नोसिस और मूल्यांकन के लिए फिक्स्ड प्रोसीजर का उपयोग किया जाता है।

4. मुख्य परिणाम (Key Results)

पांच स्वतंत्र पुनरावृत्तियों (replications) में, GRACE ने बेसलाइन्स की तुलना में बेहतर विश्वसनीयता और प्रतिधारण प्रदर्शित किया:

सतत सुधार (Sustained Improvement): GRACE ने अंतिम चेकपॉइंट ( $\ell_{10}$ ) पर स्ट्रिक्ट रिलायबिलिटी (pass^3) को ज़ीरो-शॉट बेसलाइन के 0.091 से बढ़ाकर 0.673 ± 0.136 कर दिया।
बेसलाइन्स के साथ तुलना:
- HCE (Flat Text): शुरुआत में सुधार हुआ लेकिन समय के साथ गिरावट आई, जो **0.191 ± 0. होकर समाप्त हुआ। यह "कॉन्टेक्स्ट कोलैप्स" से ग्रस्त रहा क्योंकि निर्देश बढ़ता गया।
- GRACE w/o SA: शुरुआत में सुधार हुआ ( $\ell_6$ पर 0.458), लेकिन लाभ को समेकित करने में विफल रहा, जो $\ell_{10}$ पर 0.248 ± 0.144 तक गिर गया।
रेफरेंस परफॉरमेंस: अंतिम GRACE चेकपॉइंट (0.673) ने उसी होल्ड-आउट सेट पर Gemini 3.1 Pro के ज़ीरो-शॉट रेफरेंस 0.242 को भी पीछे छोड़ दिया।
विफलता मोड विश्लेषण (Failure Mode Analysis):
- HCE में उच्च विरोधाभास काउंट (औसत 3.35) और बड़े निर्देश आकार (82,592 कैरेक्टर) संचित हुए, जिससे सामंजस्य की हानि हुई।
- GRACE w/o SA ने कम विरोधाभास काउंट बनाए रखा लेकिन समेकन में विफल रहा, जिसके परिणामस्वरूप उच्च अतिरेकता (औसत 4.85) और अनियंत्रित वृद्धि हुई।
- GRACE ने निम्न विरोधाभास (1.75–1.90) और कम अतिरेकता (4.15) बनाए रखी, जिससे निर्देश सबस्ट्रेट का प्रभावी ढंग से समेकन हुआ।
प्रतिधारण (Retention): GRACE ने अधिकांश चक्रों में सकारात्मक या शून्य बैकवर्ड ट्रांसफर दिखाया, जबकि HCE ने निरंतर नकारात्मक बैकवर्ड ट्रांसफर दिखाया, जो डिस्ट्रीब्यूशन शिफ्ट होने पर क्षमता की हानि का संकेत देता है।

5. योगदान और महत्व (Contributions and Significance)

यह शोध पत्र तीन प्राथमिक योगदान देता है:

ग्राफ-रेगुलराइज्ड सबस्ट्रेट: निरंतर एजेंट निर्देशों को विकसित करने के लिए एक टाइप्ड सिमेंटिक ग्राफ को एक मध्यवर्ती प्रतिनिधित्व के रूप में पेश करता है, जो स्कोपड स्ट्रक्चरल वैलिडेशन को सक्षम बनाता है जो ग्लोबल टेक्स्ट री-रीडिंग के बजाय लोकल नेबरहुड्स पर ध्यान केंद्रित करता है।
मूल्यांकन प्रोटोकॉल: एक नियंत्रित डिस्ट्रीब्यूशन-शिफ्ट प्रोटोकॉल प्रस्तावित करता है जो फेज-विशिष्ट सुधार और क्रॉस-फेज रिटेंशन दोनों का परीक्षण करता है, जिससे प्रतिनिधित्व और सत्यापन तंत्र के प्रभावों को अलग किया जा सके।
मैकेनिज्म इनसाइट: एब्लेशन के माध्यम से, यह पेपर विश्वसनीय दीर्घ-क्षितिज विकास के लिए दो अलग-अलग आवश्यकताओं की पहचान करता है:
- स्ट्रक्चरल सबस्ट्रेट: सत्यापन को स्थानीय बनाने और बड़े विरोधाभासों को रोकने के लिए आवश्यक है।
- कंसोलिडेशन मैकेनिज्म: ओवरलैपिंग कंटेंट को मर्ज करने और सूक्ष्म तनावों को हल करने के लिए आवश्यक है (स्ट्रक्चरल एनालिसिस के माध्यम से), जिससे अनियंत्रित वृद्धि और अतिरेकता को रोका जा सके।

महत्व:
यह शोध पत्र तर्क देता है कि विश्वसनीय दीर्घ-क्षितिज संदर्भ विकास के लिए, विकसित होने वाले आर्टिफैक्ट का प्रतिनिधित्व महत्वपूर्ण है। जैसे-जैसे आर्टिफैक्ट बढ़ता है, फ्लैट-टेक्स्ट रखरखाव को सत्यापित करना कठिन होता जाता है। GRACE प्रदर्शित करता है कि निर्देशों को एक टाइप्ड ग्राफ के रूप में बनाए रखना और स्थानीय संरचनात्मक सत्यापन का उपयोग करना, एजेंटों को फ्लैट-टेक्स्ट दृष्टिकोणों या बिना समेकन वाले ग्राफ दृष्टिकोणों की तुलना में विश्वसनीयता बनाए रखने और डिस्ट्रीब्यूशन शिफ्ट के अनुकूल होने में अधिक प्रभावी बनाता है। यह कार्य सुझाव देता है कि "संचित निर्देश इकाइयों के बीच संबंध" को टिकाऊपन सुनिश्चित करने के लिए स्पष्ट और निरीक्षण योग्य (inspectable) होना चाहिए।

सीमाएँ:
लेखक नोट करते हैं कि साक्ष्य वर्तमान में $\tau^2$ -bench के टेलीकॉम डोमेन और एक निश्चित एजेंट मॉडल और हार्नेस तक सीमित हैं। भविष्य के कार्यों में GRACE का अतिरिक्त डोमेन में और समान कार्यान्वयन बजट के तहत पूर्ण पूर्व संदर्भ-विकास प्रणालियों के विरुद्ध मूल्यांकन किया जाना आवश्यक है।