ในการพัฒนา LLM Agent สำหรับงานที่ต้องใช้เวลาและขั้นตอนนาน (Long-horizon tasks) วิธีการดั้งเดิมคือการโหลดชุดคำสั่งหรือ 'Agent Skills' เข้าไปในบริบท (context) ของเอเจนท์หลัก แต่เมื่อบริบทมีขนาดใหญ่ขึ้น ประสิทธิภาพการให้เหตุผลมักจะลดลง งานวิจัยนี้จึงเปรียบเทียบกับการใช้ 'Subagents' ซึ่งเป็นการสร้างหน้าต่างบริบทใหม่แยกต่างหากสำหรับแต่ละงานย่อย
ผลลัพธ์ระบุว่าการใช้ Subagents ให้ผลงานที่แม่นยำกว่าเมื่อมีการกำหนดสัญญาอินพุต-เอาต์พุต (input-output contracts) ที่ชัดเจน แม้ว่าจะมีค่าใช้จ่ายเพิ่มเติมจากการสื่อสารระหว่างเอเจนท์ (communication overhead) ก็ตาม ข้อสรุปนี้ชี้ให้เห็นว่าการจัดการโครงสร้างความรู้มีความสำคัญเท่ากับเนื้อหาของความรู้เองในการสร้างเอเจนท์ที่มีประสิทธิภาพ
