論文の概要: Co-Saving: Resource Aware Multi-Agent Collaboration for Software Development

• arxiv url: http://arxiv.org/abs/2505.21898v1
• Date: Wed, 28 May 2025 02:23:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.372886
• Title: Co-Saving: Resource Aware Multi-Agent Collaboration for Software Development
• Title（参考訳）: Co-Saving: ソフトウェア開発のためのリソース対応マルチエージェントコラボレーション
• Authors: Rennai Qiu, Chen Qian, Ran Li, Yufan Dang, Weize Chen, Cheng Yang, Yingli Zhang, Ye Tian, Xuantang Xiong, Lei Han, Zhiyuan Liu, Maosong Sun,
• Abstract要約: 本稿では,リソースを意識したマルチエージェントシステムであるCo-Savingを提案する。 私たちの重要なイノベーションは、"ショートカット"の導入です。 最先端のMAS ChatDevと比較して,トークン使用量の平均50.85%の削減を実現している。
• 参考スコア（独自算出の注目度）: 65.94639060883475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in Large Language Models (LLMs) and autonomous agents have demonstrated remarkable capabilities across various domains. However, standalone agents frequently encounter limitations when handling complex tasks that demand extensive interactions and substantial computational resources. Although Multi-Agent Systems (MAS) alleviate some of these limitations through collaborative mechanisms like task decomposition, iterative communication, and role specialization, they typically remain resource-unaware, incurring significant inefficiencies due to high token consumption and excessive execution time. To address these limitations, we propose a resource-aware multi-agent system -- Co-Saving (meaning that multiple agents collaboratively engage in resource-saving activities), which leverages experiential knowledge to enhance operational efficiency and solution quality. Our key innovation is the introduction of "shortcuts" -- instructional transitions learned from historically successful trajectories -- which allows to bypass redundant reasoning agents and expedite the collective problem-solving process. Experiments for software development tasks demonstrate significant advantages over existing methods. Specifically, compared to the state-of-the-art MAS ChatDev, our method achieves an average reduction of 50.85% in token usage, and improves the overall code quality by 10.06%.
• Abstract（参考訳）: 大規模言語モデル(LLM)と自律エージェントの最近の進歩は、様々な領域で顕著な能力を示している。 しかし、スタンドアローンエージェントは、広範囲な相互作用と相当な計算資源を必要とする複雑なタスクを扱う際に、しばしば制限に遭遇する。 マルチエージェントシステム(MAS)は、タスクの分解、反復的なコミュニケーション、役割の特殊化といった協調的なメカニズムを通じてこれらの制限を緩和するが、通常はリソースを意識せず、高いトークン消費と過剰な実行時間によってかなりの非効率を引き起こす。 このような制約に対処するため、我々は、経験的知識を活用して運用効率とソリューション品質を向上させる、リソース対応マルチエージェントシステム -- Co-Saving(複数のエージェントが協調してリソース節約活動を行うことを意味する)を提案する。 私たちの重要な革新は、歴史的に成功した軌道から学んだ命令的遷移である"ショートカット"を導入し、冗長な推論エージェントをバイパスし、集合的な問題解決プロセスを迅速化することです。 ソフトウェア開発タスクの実験は、既存の方法よりも大きな利点を示している。 具体的には、最先端のMAS ChatDevと比較して、トークン使用量の平均50.85%の削減を実現し、全体的なコード品質を10.06%向上させる。

関連論文リスト

• Get Experience from Practice: LLM Agents with Record & Replay [16.179801770737892]
  本稿では,AIエージェントフレームワークに古典的なレコード再生機構を導入する,Agent Record & Replay(Agent Record & Replay)と呼ばれる新しいパラダイムを提案する。 本稿では,AgentRRにおけるマルチレベル体験抽象化手法とチェック関数機構について述べる。 さらに,AgentRRの複数のアプリケーションモードについて検討し,ユーザ記録タスクのデモ,大規模モデルコラボレーション,プライバシ対応エージェントの実行などを検討した。
  論文  参考訳（メタデータ） (2025-05-23T10:33:14Z)
• Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
  リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。 SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。 これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
  論文  参考訳（メタデータ） (2025-01-20T15:52:43Z)
• Towards Effective GenAI Multi-Agent Collaboration: Design and Evaluation for Enterprise Applications [15.480315462362531]
  本稿では,新しいマルチエージェント協調フレームワークにおける協調とルーティング機能に関する総合的な評価について述べる。 コーディネート機能として,エージェント間通信とペイロード参照機構の有効性を実証し,エンドツーエンドの目標達成率を90%とする。 マルチエージェントコラボレーションは,ベンチマークの単一エージェントアプローチと比較して,目標達成率を最大70%向上させる。
  論文  参考訳（メタデータ） (2024-12-06T22:14:17Z)
• Scaling Large Language Model-based Multi-Agent Collaboration [72.8998796426346]
  近年の大規模言語モデル駆動型自律エージェントのブレークスルーにより、複数エージェントのコラボレーションが集団的推論を通じて各個人を上回ることが判明している。 本研究は、協調剤の連続的な添加が同様の利益をもたらすかどうかを考察する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• AIOS: LLM Agent Operating System [39.59087894012381]
  本稿では,LLMベースのエージェント管理のコンテキスト下で,AIOS(LLMベースのAIエージェントオペレーティングシステム)のアーキテクチャを提案する。 エージェントアプリケーションからリソースとLLM固有のサービスをAIOSカーネルに分離することで、LLMベースのエージェントを提供するための新しいアーキテクチャを導入する。 AIOSを使用すると、さまざまなエージェントフレームワークで構築されたエージェントを最大2.1倍高速に実行することができる。
  論文  参考訳（メタデータ） (2024-03-25T17:32:23Z)
• AgentScope: A Flexible yet Robust Multi-Agent Platform [66.64116117163755]
  AgentScopeは、メッセージ交換をコアコミュニケーションメカニズムとする、開発者中心のマルチエージェントプラットフォームである。 豊富な構文ツール、組み込みエージェントとサービス機能、アプリケーションのデモとユーティリティモニタのためのユーザフレンドリなインターフェース、ゼロコードプログラミングワークステーション、自動プロンプトチューニング機構により、開発とデプロイメントの両方の障壁は大幅に低下した。
  論文  参考訳（メタデータ） (2024-02-21T04:11:28Z)
• Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
  大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。 本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。 実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
  論文  参考訳（メタデータ） (2023-12-28T13:50:42Z)
• Residual Q-Networks for Value Function Factorizing in Multi-Agent Reinforcement Learning [0.0]
  マルチエージェント強化学習(MARL)のためのResidual Q-Networks(RQN)の概念を提案する。 RQNは、個人-グローバル-マックス基準(IGM)を保存する方法で、個々のQ値軌跡を変換することを学ぶ 提案手法はより高速に収束し、安定性が向上し、より広い環境群で堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-05-30T16:56:06Z)
• Dynamic neighbourhood optimisation for task allocation using multi-agent [0.0]
  大規模システムでは、タスク割り当てに集中型技術を使用する場合、課題がある。 本稿では,これらの問題を解決する4つのアルゴリズムを提案する。 システム接続に影響を及ぼす場合、非知識保持アプローチよりも5倍のパフォーマンス回復を提供する。
  論文  参考訳（メタデータ） (2021-02-16T17:49:14Z)

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。