論文の概要: Knowledge Protocol Engineering: A New Paradigm for AI in Domain-Specific Knowledge Work

• arxiv url: http://arxiv.org/abs/2507.02760v1
• Date: Thu, 03 Jul 2025 16:21:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.587847
• Title: Knowledge Protocol Engineering: A New Paradigm for AI in Domain-Specific Knowledge Work
• Title（参考訳）: 知識プロトコルエンジニアリング: ドメイン特化知識労働におけるAIの新しいパラダイム
• Authors: Guangwei Zhang,
• Abstract要約: 知識プロトコルエンジニアリング(KPE)は、人間の専門家の知識を機械で実行可能な知識プロトコルに体系的に翻訳することに焦点を当てた新しいパラダイムである。 我々は、よく設計された知識プロトコルにより、ジェネラリストのLLMがスペシャリストとして機能し、抽象的なクエリを分解し、複雑なマルチステップタスクを実行することができると論じる。
• 参考スコア（独自算出の注目度）: 0.456877715768796
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The capabilities of Large Language Models (LLMs) have opened new frontiers for interacting with complex, domain-specific knowledge. However, prevailing methods like Retrieval-Augmented Generation (RAG) and general-purpose Agentic AI, while powerful, often struggle with tasks that demand deep, procedural, and methodological reasoning inherent to expert domains. RAG provides factual context but fails to convey logical frameworks; autonomous agents can be inefficient and unpredictable without domain-specific heuristics. To bridge this gap, we introduce Knowledge Protocol Engineering (KPE), a new paradigm focused on systematically translating human expert knowledge, often expressed in natural language documents, into a machine-executable Knowledge Protocol (KP). KPE shifts the focus from merely augmenting LLMs with fragmented information to endowing them with a domain's intrinsic logic, operational strategies, and methodological principles. We argue that a well-engineered Knowledge Protocol allows a generalist LLM to function as a specialist, capable of decomposing abstract queries and executing complex, multi-step tasks. This position paper defines the core principles of KPE, differentiates it from related concepts, and illustrates its potential applicability across diverse fields such as law and bioinformatics, positing it as a foundational methodology for the future of human-AI collaboration.
• Abstract（参考訳）: 大規模言語モデル(LLM)の能力は、複雑なドメイン固有の知識と対話するための新たなフロンティアを開放した。 しかし、Retrieval-Augmented Generation (RAG) や汎用エージェントAIのような一般的な手法は、強力な一方で、専門家ドメイン固有の深く手続き的で方法論的な推論を必要とするタスクとしばしば苦労する。 自律エージェントは、ドメイン固有のヒューリスティックなしでは非効率で予測不可能である。 このギャップを埋めるために、自然言語文書でしばしば表現される人間の専門家の知識を機械で実行可能な知識プロトコル(KP)に体系的に翻訳することに焦点を当てた新しいパラダイムであるKPE(Knowledge Protocol Engineering)を導入する。 KPEは、単に断片化された情報でLLMを拡大することから、ドメイン固有のロジック、運用戦略、方法論原則へと焦点を移します。 我々は、よく設計された知識プロトコルにより、ジェネラリストのLLMがスペシャリストとして機能し、抽象的なクエリを分解し、複雑なマルチステップタスクを実行することができると論じる。 本稿では,KPEの中核となる原理を定義し,関連する概念と区別し,法律やバイオインフォマティクスなど多種多様な分野に適用可能性を示す。

関連論文リスト

• KERAIA: An Adaptive and Explainable Framework for Dynamic Knowledge Representation and Reasoning [46.85451489222176]
  KERAIAはシンボリックナレッジエンジニアリングのための新しいフレームワークとソフトウェアプラットフォームである。 動的で複雑でコンテキストに敏感な環境で知識を表現、推論、実行するという永続的な課題に対処する。
  論文  参考訳（メタデータ） (2025-05-07T10:56:05Z)
• Position Paper: Towards Open Complex Human-AI Agents Collaboration System for Problem-Solving and Knowledge Management [0.48342038441006807]
  本稿では,人間とAIエージェントのコラボレーションに関する最近の実証研究の幅広い範囲を批判的に調査する。 本稿では,マルチエージェント協調,知識管理,サイバネティックフィードバックループ,高レベル制御機構の技術的詳細を体系的に相互接続する新しい概念アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-24T05:57:03Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
  大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。 LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。 これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
  論文  参考訳（メタデータ） (2025-01-30T22:21:12Z)
• Sample-Efficient Behavior Cloning Using General Domain Knowledge [11.81924485548362]
  我々は、自然言語で表現された専門的なドメイン知識に基づいてポリシー構造をインスタンス化するために、大規模言語モデルのコーディング能力を使用します。 月面着陸機とカーレースのタスクを用いた実験では,最大5回のデモンストレーションでタスクの解き方を学習し,騒音対策に頑健である。
  論文  参考訳（メタデータ） (2025-01-27T22:40:11Z)
• Knowledge Tagging with Large Language Model based Multi-Agent System [17.53518487546791]
  本稿では,従来のアルゴリズムの限界に対処するマルチエージェントシステムについて検討する。 我々は,従来の手法が抱えていた課題を克服する上で,LLMベースのマルチエージェントシステムの可能性を強調した。
  論文  参考訳（メタデータ） (2024-09-12T21:39:01Z)
• A Knowledge-Injected Curriculum Pretraining Framework for Question Answering [70.13026036388794]
  本稿では,知識に基づく質問応答タスクの総合的なKG学習と活用を実現するための一般知識注入型カリキュラム事前学習フレームワーク(KICP)を提案する。 KIモジュールはまずKG中心の事前学習コーパスを生成してLMに知識を注入し、プロセスを3つの重要なステップに一般化する。 KAモジュールは、アダプタを備えたLMで生成されたコーパスから知識を学習し、元の自然言語理解能力を維持できる。 CRモジュールは人間の推論パターンに従って3つのコーパスを構築する。
  論文  参考訳（メタデータ） (2024-03-11T03:42:03Z)
• Knowledge Plugins: Enhancing Large Language Models for Domain-Specific Recommendations [50.81844184210381]
  本稿では,大規模言語モデルをDOmain固有のKnowledgEで拡張し,実践的アプリケーション,すなわちDOKEの性能を向上させるためのパラダイムを提案する。 このパラダイムはドメイン知識抽出器に依存し,1)タスクに効果的な知識を準備すること,2)特定のサンプルごとに知識を選択すること,3)LLMで理解可能な方法で知識を表現すること,の3つのステップで動作する。
  論文  参考訳（メタデータ） (2023-11-16T07:09:38Z)
• Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
  本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。 我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。 主アルゴリズムの正確性と収束性を保証する。
  論文  参考訳（メタデータ） (2021-02-01T01:13:03Z)

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。