最有说服力的工作把上下文处理当作工程控制。qMLX 在一台 Mac Studio 上减少了长上下文的重复预填充，ContextOps 则在推理前检查输入载荷的结构。AgentTransfer 将同样的操作纪律用于文件交换。现有证据支持可检查的组件，但多个项目仍缺少独立基准测试。
当每轮都重新计算完整历史，或有用信息变得难以检索时，大上下文窗口的价值就会受限。qMLX 从磁盘恢复键值（KV）注意力状态，并修复前缀匹配和中断历史记录方面的错误。在一台 M3 Ultra 上，32,000 个 token 的重复预填充时间从 88 秒降至 0.64 秒；在 168,000 个 token 的上下文中，一次简短的后续请求在 2.6 秒内生成了首个 token。
ContextOps 在大型语言模型（LLM）运行前检查重复的检索块、提示词增长、来源集中度和 token 分布不均。其示例发现了 214 个重复 token，估计可节省 12% 的 token。另一段社交媒体摘录称，检索率从 256,000 个 token 时的 80% 降至 100 万个 token 时的 36%，但没有提供数据集或评测协议。这些材料共同支持更严格的上下文测量；只有 qMLX 报告提供了详细的运行时测量，而且数据来自单台机器。
AgentTransfer 为软件代理提供身份、收件箱、存储、面向接收方的传输、完整性检查和签名回执。其离线演示在两个代理之间传输一个 1 MiB 文件，并验证 SHA-256 哈希和回执链。该项目还声称，其模型上下文协议（MCP）桥接器可以传输最大 5 GB 的文件，而无需将文件字节放入模型上下文，但没有报告吞吐量或可靠性测试。
Mesh LLM 将受信任的机器汇集到一个兼容 OpenAI 的端点后面。请求可以在本地运行、路由到对等节点，或将模型层拆分到多个节点上运行。这让现有客户端可以使用分布式私有推理，但当前证据只证明了功能可用：没有提供延迟、成本或可靠性基准。
两份一线报告显示，编码代理可以参与维护、设计、实现、执行和审查。Terence Tao 使用代理，在几小时内将约二十个过时的 Java 小程序移植到 JavaScript，随后又制作了新的数学可视化工具。他发现了一个轻微的迁移错误，代理则发现了原始代码中的两个缺陷。由于这些工具风险较低且用于辅助工作，人工检查足以作为验证手段。
另一份软件开发指南使用代理总结问题讨论串、检查相关拉取请求、讨论实现方案、运行本地命令，并生成文件级审查记录。指南没有提供受控测量，但展示了明确的分工：代理压缩调查过程并起草修改，开发者保留设计和审查决策。