MCP Information Fidelity: как ошибки накапливаются в цепочках запросов к LLM с инструментами

Парадокс: длинные цепочки LLM-взаимодействий с внешними инструментами (поиск, API, калькуляторы) НЕ уходят в хаос. Ошибки растут предсказуемо и линейно, а не взрываются экспоненциально. Исследователи из ETH Zurich доказали математически: влияние старых ответов на новые запросы убывает экспоненциально. Через ~9 шагов информация из начального ответа практически перестаёт влиять на текущие рассуждения модели (коэффициент затухания β ≈ 0.7, влияние = β^расстояние ≈ 0.04). Решение: периодический re-grounding — каждые 9 шагов возвращайся к проверенным данным, делай summary, обнуляй накопление погрешностей.