본 논문은 대규모 언어 모델(LLM) 에이전트가 환경 상호 작용 인터페이스 및 규칙을 정의하는 환경 수준 매뉴얼과 특정 목표에 연결된 작업 수준 지침을 넘어, 개체 위치, 제작 레시피, 로컬 규칙 등 특정 환경 인스턴스와 관련된 검증 가능하고 재사용 가능한 사실인 인스턴스 수준 컨텍스트를 인식하는 것이 중요함을 주장한다. 성공은 전역 규칙이나 작업 프롬프트에 대한 추론뿐만 아니라 정확하고 지속적인 사실에 기반한 의사 결정에 달려 있기 때문이다. 저자들은 인스턴스 수준 컨텍스트 학습(ILCL) 문제를 정의하고, 컴팩트한 TODO 포레스트를 사용하여 다음 작업을 지능적으로 우선순위 지정하고 경량 plan-act-extract 루프를 사용하여 실행하는 작업 불가지론적 방법을 제시한다. 이 방법은 다운스트림 작업 및 에이전트에서 재사용 가능한 고정밀 컨텍스트 문서를 자동으로 생성하여 초기 탐색 비용을 상쇄한다. TextWorld, ALFWorld, Crafter 실험을 통해 성공률과 효율성 모두에서 일관된 이점을 보였으며, ReAct의 TextWorld 평균 성공률은 37%에서 95%로, IGE는 81%에서 95%로 향상되었다.
