In-Context Reinforcement Learning (ICRL) เป็นสาขาที่ได้รับความสนใจอย่างมาก เนื่องจากความสามารถของโมเดลที่ผ่านการฝึกฝนล่วงหน้าในการอนุมานกฎของงานและปรับปรุงพฤติกรรมจากการโต้ตอบโดยไม่ต้องอัปเดตน้ำหนักของโมเดลในขณะใช้งาน อย่างไรก็ตาม ปัญหาใหญ่คือสภาพแวดล้อมจริงมักจะไม่คงที่ (Non-stationary) เช่น รางวัลที่เปลี่ยนไปหรือกฎเกณฑ์ที่คลาดเคลื่อนจากเดิม
งานวิจัยชิ้นนี้เป็นบทสรุป (Survey) ที่เจาะลึกถึงปัญหา ICRL ในสภาพแวดล้อมที่ไม่คงที่ โดยเน้นการวิเคราะห์ว่าโมเดลจะจัดการกับข้อมูลในหน้าต่างบริบท (Context Window) อย่างไร เมื่อข้อมูลเก่าเริ่มล้าสมัยหรือขัดแย้งกับสถานการณ์ปัจจุบัน บทความนี้จัดระเบียบองค์ความรู้ผ่านสามคำถามหลักคือ: อะไรที่เปลี่ยน, การเปลี่ยนแปลงเกิดขึ้นอย่างไร และ AI สามารถรับรู้การเปลี่ยนแปลงนั้นได้มากน้อยเพียงใด
