La prolifération des conversations prolongées avec les grands modèles de langage entraîne une accumulation rapide d'informations obsolètes ou redondantes, alourdissant les invites et dégradant les performances de raisonnement. Pour résoudre ce problème, un développeur a conçu une couche d'élagage de prompts entièrement déterministe, sans recourir à des appels de modèle ni à des algorithmes d'embedding. Cette approche repose sur un pipeline en trois phases qui nettoie l'historique de la conversation avant qu'il ne soit soumis au système. La première phase élimine les contextes expirés, notamment les sorties d'outils répétées ou périmées. La seconde supprime les duplicatas, fréquents dans les architectures RAG lorsque l'utilisateur revient sur un sujet déjà abordé. La troisième phase, cruciale pour la sécurité, restaure automatiquement les informations dont les messages suivants dépendent, via un système de marqueurs explicites. Cette conception garantit qu'aucune donnée critique n'est supprimée par inadvertance, contrairement aux méthodes de troncature basées uniquement sur la position temporelle. Le développeur a initialement détecté une faille lors des tests : un corpus synthétique statique masquait la nécessité de la troisième phase. En corrigeant le générateur de données pour inclure des dépendances dynamiques, il a validé la robustesse du système. Les benchmarks ont évalué trois scénarios de production sur cinq tailles de dialogue distinctes. Les résultats montrent une réduction de deux à quatre pour cent des tokens pour les conversations simples, de vingt-sept à trente-deux pour cent pour les assistants RAG, et de trente-trois à trente-quatre pour cent pour les agents complexes. Dans l'ensemble des quinze configurations testées, cent pour cent des dépendances critiques ont été préservées et le système a atteint un point fixe idempotent dès le premier passage. Le surcoût de traitement reste maîtrisé, inférieur à cinquante millisecondes même pour des invites de cent trente et un mille tokens et deux mille tours de conversation. Les tests ont été reproduits avec succès sur deux environnements matériels différents, confirmant la stabilité des métriques. Cette architecture s'intègre directement dans la boucle d'exécution des agents, garantissant une sécurité prévisible et une consommation réduite de tokens à chaque itération. Malgré ses atouts, la solution présente des limites techniques. La détection des dépendances repose sur une correspondance littérale plutôt que sur une compréhension sémantique, ce qui signifie qu'elle ne capture pas les paraphrases non marquées. De plus, les benchmarks utilisent des données simulées basées sur des hypothèses de trafic plutôt que sur des logs de production réels. Le développeur propose une évolution hybride, combinant ce filtrage déterministe rapide avec des outils de compression avancée pour optimiser davantage les invites sans compromettre la fiabilité. Le code source et les scripts de validation sont disponibles publiquement pour permettre des audits indépendants et une intégration professionnelle.