論文の概要: Autonomous Deep Agent

• arxiv url: http://arxiv.org/abs/2502.07056v1
• Date: Mon, 10 Feb 2025 21:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 18:22:47.888838
• Title: Autonomous Deep Agent
• Title（参考訳）: 自律型ディープエージェント
• Authors: Amy Yu, Erik Lebedev, Lincoln Everett, Xiaoxin Chen, Terry Chen,
• Abstract要約: Deep Agentは、複雑なマルチフェーズタスクを管理するために設計された高度な自律AIシステムである。 システムの基盤は階層型タスクDAGフレームワーク上に構築されています。 Deep Agentは、自己管理型AIシステムにおいて、新しいパラダイムを確立する。
• 参考スコア（独自算出の注目度）: 0.7489814067742621
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This technical brief introduces Deep Agent, an advanced autonomous AI system designed to manage complex multi-phase tasks through a novel hierarchical task management architecture. The system's foundation is built on our Hierarchical Task DAG (HTDAG) framework, which dynamically decomposes high-level objectives into manageable sub-tasks while rigorously maintaining dependencies and execution coherence. Deep Agent advances beyond traditional agent systems through three key innovations: First, it implements a recursive two-stage planner-executor architecture that enables continuous task refinement and adaptation as circumstances change. Second, it features an Autonomous API & Tool Creation (AATC) system that automatically generates reusable components from UI interactions, substantially reducing operational costs for similar tasks. Third, it incorporates Prompt Tweaking Engine and Autonomous Prompt Feedback Learning components that optimize Large Language Model prompts for specific scenarios, enhancing both inference accuracy and operational stability. These components are integrated to form a service infrastructure that manages user contexts, handles complex task dependencies, and orchestrates end-to-end agentic workflow execution. Through this sophisticated architecture, Deep Agent establishes a novel paradigm in self-governing AI systems, demonstrating robust capability to independently handle intricate, multi-step tasks while maintaining consistent efficiency and reliability through continuous self-optimization.
• Abstract（参考訳）: このテクニカルブリーフィングでは、新しい階層的なタスク管理アーキテクチャを通じて複雑なマルチフェーズタスクを管理するように設計された、高度な自律AIシステムであるDeep Agentを紹介している。 システムの基盤は階層型タスクDAG(HTDAG)フレームワーク上に構築されており、依存関係と実行の一貫性を厳格に維持しつつ、ハイレベルな目的を管理可能なサブタスクに動的に分解する。 Deep Agentは3つの重要なイノベーションを通じて、従来のエージェントシステムを超えた進化を遂げている。 第2に、UIインタラクションから再利用可能なコンポーネントを自動的に生成し、同様のタスクの運用コストを大幅に削減するAutonomous API & Tool Creation(AATC)システムを備えている。 第三に、Prompt Tweaking EngineとAutonomous Prompt Feedback Learningコンポーネントが組み込まれており、大きな言語モデルのプロンプトを特定のシナリオに最適化し、推論精度と運用安定性を向上する。 これらのコンポーネントは、ユーザコンテキストを管理し、複雑なタスク依存を処理し、エンドツーエンドのエージェントワークフロー実行をオーケストレーションするサービスインフラストラクチャを形成するために統合されます。 この高度なアーキテクチャを通じて、Deep Agentは、自律的なAIシステムにおける新しいパラダイムを確立し、継続的自己最適化を通じて一貫した効率性と信頼性を維持しながら、複雑なマルチステップタスクを独立して処理する堅牢な能力を実証する。

関連論文リスト

• Building AI Coding Agents for the Terminal: Scaffolding, Harness, Context Engineering, and Lessons Learned [9.127884945730019]
  この新しいパラダイムに特化して設計された,オープンソースのコマンドラインコーディングエージェントであるOPENDEVについて紹介する。 ワークロード特化モデルルーティングを備えた複合AIシステムアーキテクチャを通じて、これらの課題を克服する。 自動記憶システムを使用して、セッション間でプロジェクト固有の知識を蓄積し、命令フェードアウトに対処する。
  論文  参考訳（メタデータ） (2026-03-05T16:21:08Z)
• The Auton Agentic AI Framework [5.410458076724158]
  人工知能の分野では、ジェネレーティブAIからエージェントAIへの移行が進行中である。 大規模言語モデル(LLM)は構造化されていない出力を生成するが、それらが制御しなければならないバックエンドインフラストラクチャは決定論的でスキーマに適合する入力を必要とする。 本稿では,自律エージェントの作成,作成,管理を行うための原則アーキテクチャであるAuton Agentic AI Frameworkについて述べる。
  論文  参考訳（メタデータ） (2026-02-27T06:42:08Z)
• ToolSelf: Unifying Task Execution and Self-Reconfiguration via Tool-Driven Intrinsic Adaptation [60.25542764389203]
  LLM(Large Language Models)を利用したエージェントシステムは、複雑で長期のタスクに対処する上で、顕著な可能性を示している。 既存のアプローチでは、手動のオーケストレーションやランタイムベースのパッチを頼りにしており、一般化の貧弱さと最適化の断片化に悩まされることが多い。 ツール駆動の自己修正を可能にする新しいパラダイムであるToolSelfを提案する。
  論文  参考訳（メタデータ） (2026-02-08T09:27:18Z)
• A Lightweight Modular Framework for Constructing Autonomous Agents Driven by Large Language Models: Design, Implementation, and Applications in AgentForge [1.932555230783329]
  LLM駆動の自律エージェントの構築を民主化するために設計された軽量でオープンソースのPythonフレームワーク。 AgentForgeは、(1)正式に定義された入出力契約できめ細かいタスク分解を可能にする構成可能なスキル抽象化、(2)クラウドベースのAPIとローカル推論エンジンのシームレスな切り替えをサポートする統一されたバックエンドインターフェース、(3)エージェントロジックと実装の詳細を分離する宣言型YAMLベースの構成システムである。
  論文  参考訳（メタデータ） (2026-01-19T20:33:26Z)
• MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era [74.42509044145417]
  MegaFlowは、エージェント環境ワークロードの効率的なスケジューリング、リソース割り当て、きめ細かいタスク管理を可能にする、大規模な分散オーケストレーションシステムである。 エージェントのトレーニングデプロイメントでは、MegaFlowは、高いシステムの安定性を維持しながら、数万の並行エージェントタスクを編成し、効率的なリソース利用を実現しています。
  論文  参考訳（メタデータ） (2026-01-12T13:25:33Z)
• Monadic Context Engineering [59.95390010097654]
  本稿では,エージェント設計の正式な基盤を提供するために,モナディックコンテキストエンジニアリング(MCE)を紹介する。 我々は、モナドがロバストなコンポジションをどのように実現し、Applicativesが並列実行に原則化された構造を提供し、また、モナドトランスフォーマーがこれらの機能の体系的なコンポジションをどのように可能にしているかを実証する。 この階層化されたアプローチにより、開発者は、単純で独立した検証可能なコンポーネントから、複雑でレジリエントで効率的なAIエージェントを構築することができる。
  論文  参考訳（メタデータ） (2025-12-27T01:52:06Z)
• Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
  階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。 具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。 我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-21T12:25:47Z)
• JoyAgent-JDGenie: Technical Report on the GAIA [27.025464023889853]
  大規模言語モデルは、複雑な現実世界のタスクのための自律的なエージェントとして、ますます多くデプロイされている。 本稿では,計画および実行エージェントを批判モデル投票と統合する汎用エージェントアーキテクチャ,作業層,意味層,手続き層にまたがる階層型メモリシステム,検索,コード実行,マルチモーダル解析のための洗練されたツールスイートを提案する。
  論文  参考訳（メタデータ） (2025-10-01T04:41:58Z)
• Allen: Rethinking MAS Design through Step-Level Policy Autonomy [0.0]
  我々は,新しいマルチエージェントシステム (MAS) - 現在のMAS設計における2つの課題に対処するために設計されたアレンを導入する。 タスク指向と実行指向の両方の観点からシステム動作を制約する4層状態アーキテクチャを構築しました。 アレンは前例のない政策自律性を認め、協調構造の制御性のためにトレードオフを行う。
  論文  参考訳（メタデータ） (2025-08-15T08:02:34Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [72.44384066166147]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• Aime: Towards Fully-Autonomous Multi-Agent Framework [13.494469496862534]
  大規模言語モデル(LLM)を利用したマルチエージェントシステム(MAS)は、複雑で多面的な問題を解決するための強力なパラダイムとして浮上している。 これらのシステムのポテンシャルは、しばしば、臨界的な制限に悩まされる一般的なプラン・アンド・エグゼクティブ・フレームワークによって制約される。 本稿では、動的でリアクティブな計画と実行を通じてこれらの課題を克服するために設計された、新しいマルチエージェントフレームワークであるAimeを紹介する。
  論文  参考訳（メタデータ） (2025-07-16T07:38:28Z)
• GoalfyMax: A Protocol-Driven Multi-Agent System for Intelligent Experience Entities [4.406205045227101]
  私たちは、エンドツーエンドのマルチエージェントコラボレーションのためのプロトコル駆動フレームワークであるGoalfyMaxを紹介します。 GoalfyMax が Model Context Protocol (MCP) 上に構築された標準化された Agent-to-Agent (A2A) 通信層を導入 Experience Pack(XP)アーキテクチャは、タスクの合理性と実行トレースの両方を保存する階層型メモリシステムである。
  論文  参考訳（メタデータ） (2025-07-13T05:13:52Z)
• Flow State: Humans Enabling AI Systems to Program Themselves [0.24578723416255752]
  我々は,Human-AI共同設計を中心としたプラットフォームであるPocketflowを紹介した。 PocketflowはPythonフレームワークであり、意図的に最小限だが相乗的なコア抽象化セットの上に構築されている。 非常に小さなコードしか持たない堅牢でベンダに依存しない基盤を提供し、明らかにオーバーヘッドを減らします。
  論文  参考訳（メタデータ） (2025-04-03T05:25:46Z)
• DynTaskMAS: A Dynamic Task Graph-driven Framework for Asynchronous and Parallel LLM-based Multi-Agent Systems [2.6353853440763113]
  本稿では,マルチエージェントシステムにおける非同期および並列操作をオーケストレーションする新しいフレームワークであるDynTaskMASを紹介する。 1) 論理的依存関係を維持しながら複雑なタスクを分解する動的タスクグラフ生成装置,(2) 効率的なタスクスケジューリングによるリソース利用を最適化する非同期並列実行エンジン,(3) エージェント間の効率的な情報共有を可能にするセマンティック・アウェア・コンテキスト管理システムである。
  論文  参考訳（メタデータ） (2025-03-10T06:16:10Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• Advancing Agentic Systems: Dynamic Task Decomposition, Tool Integration and Evaluation using Novel Metrics and Dataset [1.904851064759821]
  Advanced Agentic Framework: マルチホップクエリの処理、タスクグラフの生成と実行、適切なツールの選択、リアルタイムの変更への適応を行うシステム。 新しい評価基準: エージェントシステムを総合的に評価するためのNode F1スコア、構造類似度指標(SSI)、ツールF1スコアの導入。 AsyncHowベースのデータセットは、さまざまなタスク複雑度にわたるエージェントの振る舞いを分析する。
  論文  参考訳（メタデータ） (2024-10-29T18:45:13Z)
• Asynchronous Tool Usage for Real-Time Agents [61.3041983544042]
  並列処理とリアルタイムツール利用が可能な非同期AIエージェントを導入する。 私たちの重要な貢献は、エージェントの実行とプロンプトのためのイベント駆動有限状態マシンアーキテクチャです。 この研究は、流体とマルチタスクの相互作用が可能なAIエージェントを作成するための概念的なフレームワークと実践的なツールの両方を提示している。
  論文  参考訳（メタデータ） (2024-10-28T23:57:19Z)
• Synergising Human-like Responses and Machine Intelligence for Planning in Disaster Response [10.294618771570985]
  デュアルプロセス理論(DPT)にインスパイアされた注意に基づく認知アーキテクチャを提案する。 このフレームワークは、高速だが(人間のような)応答と、遅いが最適化されたマシンインテリジェンスの計画能力を統合する。
  論文  参考訳（メタデータ） (2024-04-15T15:47:08Z)
• Hierarchical Auto-Organizing System for Open-Ended Multi-Agent Navigation [12.753472502707153]
  Minecraftにおけるマルチエージェント組織のための階層的自動組織ナビゲーションシステムを設計する。 Minecraft環境では、探索や探索を含む一連のナビゲーションタスクも設計しています。 私たちは、具体的AIの境界を押し進め、より人間的な組織構造へと移行する、具体的組織の開発を目指しています。
  論文  参考訳（メタデータ） (2024-03-13T06:22:17Z)
• The Foundations of Computational Management: A Systematic Approach to Task Automation for the Integration of Artificial Intelligence into Existing Workflows [55.2480439325792]
  本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。 この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
  論文  参考訳（メタデータ） (2024-02-07T01:45:14Z)
• TaskBench: Benchmarking Large Language Models for Task Automation [82.2932794189585]
  タスク自動化における大規模言語モデル(LLM)の機能を評価するためのフレームワークであるTaskBenchを紹介する。 具体的には、タスクの分解、ツールの選択、パラメータ予測を評価する。 提案手法は, 自動構築と厳密な人的検証を組み合わせることで, 人的評価との整合性を確保する。
  論文  参考訳（メタデータ） (2023-11-30T18:02:44Z)
• Autonomous Open-Ended Learning of Tasks with Non-Stationary Interdependencies [64.0476282000118]
  固有のモチベーションは、目標間のトレーニング時間を適切に割り当てるタスクに依存しないシグナルを生成することが証明されている。 内在的に動機付けられたオープンエンドラーニングの分野におけるほとんどの研究は、目標が互いに独立しているシナリオに焦点を当てているが、相互依存タスクの自律的な獲得を研究するのはごくわずかである。 特に,タスク間の関係に関する情報をアーキテクチャのより高レベルなレベルで組み込むことの重要性を示す。 そして、自律的に取得したシーケンスを格納する新しい学習層を追加することで、前者を拡張する新しいシステムであるH-GRAILを紹介する。
  論文  参考訳（メタデータ） (2022-05-16T10:43:01Z)
• Controllable Dynamic Multi-Task Architectures [92.74372912009127]
  本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。 本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
  論文  参考訳（メタデータ） (2022-03-28T17:56:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。