연구에 따르면, 메모리 처리 기능과 "감독자" 구성 요소를 갖춘 맞춤형 프레임워크를 사용함으로써, 기본 모델이 해당 작업에 최적화되지 않았더라도 AI 에이전트가 훨씬 더 나은 성능을 보일 수 있습니다. 예를 들어, 대화형 추론 벤치마크인 ARC-AGI-3에서 이 보조 프레임워크를 갖춘 Claude Opus 5는 100%의 점수를 얻었지만, 갖추지 않았을 때는 30%에 불과했습니다. 이는 복잡한 다단계 작업에서 AI의 성능과 비용 효율성을 향상시키는 데 필수적인 메모리, 컨텍스트 및 피드백을 관리하는 에이전트 "스캐폴딩" 메커니즘의 중요성을 강조합니다.