Az MI-rendszerek kontextus-komprimálás során elveszítik a felhasználói utasításokat

• Az MI-rendszerek kontextus-komprimálás során a felhasználói utasítások többsége elveszik.
• Átlagosan csak 17%-a marad meg a munkamenet-specifikus szabályoknak.
• Egy kisebb nyelvi modell használatával a veszteség jelentősen csökkenthető.
• Az új módszerek hatékonyabb biztonságot és minőséget biztosíthatnak az MI-alapú ügynökök számára.

Az MI-rendszerek egyre gyakrabban alkalmaznak kontextus-komprimálást, hogy hosszabb beszélgetések esetén is kezelni tudják a megnövekedett információmennyiséget. Egy új tanulmány szerint azonban ez a technika komoly problémákhoz vezethet: a felhasználók által megadott, munkamenetre érvényes utasítások jelentős része elveszik a folyamat során, ami minőségi és kiberbiztonsági kockázatokat hordoz magában.^{[^1]}

Az MI kontextus-komprimálás problémái

Mit jelent a kontextus-komprimálás?

Az MI-modellek, különösen a nagy nyelvi modellek (LLM-ek), csak korlátozott méretű kontextusablakkal dolgoznak. Hosszabb párbeszédek esetén a rendszernek összefoglalnia kell a korábbi üzeneteket, hogy helyet szabadítson fel az új információknak. Ezt a folyamatot nevezik kontextus-komprimálásnak vagy “compaction”-nak.^{[^1]}

Mi vész el a komprimálás során?

A Pennsylvania State University kutatói megállapították, hogy a kontextus-komprimálás főként az úgynevezett munkamenet-korlátozásokat (session constraints) érinti. Ezek olyan utasítások, amelyek csak egy adott beszélgetés alatt érvényesek, például: “Soha ne használd a nevemet a válaszokban” vagy “Minden módosítás előtt kérj megerősítést”. Ezek nem tartoznak a fő feladathoz, és a rendszer optimalizációja során gyakran elvesznek.^{[^1]}

A kutatók szerint átlagosan csak a session constraints 17%-a marad fenn a kontextus-komprimálás után.^{[^1]}

Ez azt eredményezi, hogy az MI-ügynök a felhasználó korábbi tiltása ellenére is végrehajthat tiltott műveleteket, például jogosulatlanul küldhet e-maileket vagy kihagyhat biztonsági lépéseket.^{[^1]}

Egy lehetséges megoldás: kiegészítő nyelvi modell

Qwen3.5-9B: Egy plug-and-play extraktor

A tanulmány szerzői egy újszerű megközelítést javasolnak a problémára: egy kisebb nyelvi modell (Qwen3.5-9B) használatát, amely minden felhasználói üzenetet figyel, és önálló listában gyűjti a session constraints elemeket. Ezeket a listaelemeket a rendszer később csatolja a kontextus összefoglalásához, így a felhasználói szabályok nem vesznek el.^{[^1]}

A módszerrel az utasítások 90-95%-a megmaradt a három tesztelt szituációban, mindenféle újratanítás vagy rendszer-módosítás nélkül.^{[^1]}

Az értékelési eszközkészlet (COMPINT) és az extraktor modul nyílt forráskódúak, és elérhetők a GitHubon.^{[^1]}

Kockázatok és kilátások az MI-alkalmazásokban

A komprimálás során elvesző felhasználói utasítások minőségi és biztonsági aggályokat vetnek fel, különösen olyan területeken, ahol szabálybetartás kritikus jelentőségű. A kutatás rámutat, hogy a jelenlegi rendszerek önmagukban nem garantálják a felhasználói kérések maradéktalan érvényesülését, így a jövőben várhatóan növekedni fog az ilyen plug-and-play típusú kiegészítő megoldások jelentősége.^{[^1]}

Forrás:

[^1]: The Decoder (2026-08-18). “KI-Systeme verlieren bei Kontextkomprimierung systematisch Nutzeranweisungen”. Közzétéve [2026. 08. 18.].