論文の概要: TinyScientist: An Interactive, Extensible, and Controllable Framework for Building Research Agents

• arxiv url: http://arxiv.org/abs/2510.06579v1
• Date: Wed, 08 Oct 2025 02:18:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.259232
• Title: TinyScientist: An Interactive, Extensible, and Controllable Framework for Building Research Agents
• Title（参考訳）: TinyScientist: インタラクティブで拡張性があり、制御可能な研究エージェント構築フレームワーク
• Authors: Haofei Yu, Keyang Xuan, Fenghai Li, Kunlun Zhu, Zijie Lei, Jiaxun Zhang, Ziheng Qi, Kyle Richardson, Jiaxuan You,
• Abstract要約: TinyScientistは、自動研究ワークフローの本質的なコンポーネントを特定し、新しいツールに容易に適応し、反復的な成長をサポートするインタラクティブで制御可能なフレームワークを提案する。 オープンソースでインタラクティブなWebデモとPyPI Pythonパッケージを提供し、最先端の自動検索パイプラインを研究者や開発者全員に広くアクセスできるようにする。
• 参考スコア（独自算出の注目度）: 28.125147449800696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic research with Large Language Models (LLMs) is rapidly gaining importance, driving the development of increasingly complex workflows involving multi-agent systems, planning, tool usage, code execution, and human-agent interaction to accelerate research processes. However, as more researchers and developers begin to use and build upon these tools and platforms, the complexity and difficulty of extending and maintaining such agentic workflows have become a significant challenge, particularly as algorithms and architectures continue to advance. To address this growing complexity, TinyScientist identifies the essential components of the automatic research workflow and proposes an interactive, extensible, and controllable framework that easily adapts to new tools and supports iterative growth. We provide an open-source codebase, an interactive web demonstration, and a PyPI Python package to make state-of-the-art auto-research pipelines broadly accessible to every researcher and developer.
• Abstract（参考訳）: 大規模言語モデル(LLM)による自動研究が急速に重要になってきており、マルチエージェントシステム、計画、ツールの使用方法、コード実行、研究プロセスを加速するためのヒューマンエージェントインタラクションを含む、ますます複雑なワークフローの開発が進められている。 しかし、より多くの研究者や開発者がこれらのツールやプラットフォームを使い、構築し始めるにつれ、エージェントワークフローの拡張とメンテナンスの複雑さと難しさは、特にアルゴリズムやアーキテクチャが進歩し続けるにつれ、大きな課題となっている。 この複雑さに対処するため、TinyScientistは自動研究ワークフローの本質的なコンポーネントを特定し、インタラクティブで拡張性があり、制御可能なフレームワークを提案し、新しいツールに容易に適応し、反復的な成長をサポートする。 オープンソースコードベース、インタラクティブなWebデモ、PyPI Pythonパッケージを提供し、最先端の自動検索パイプラインを研究者や開発者全員に広くアクセスできるようにする。

関連論文リスト

• AI Agentic Programming: A Survey of Techniques, Challenges, and Opportunities [8.086360127362815]
  大規模言語モデル(LLM)ベースのコーディングエージェントは、コンパイラ、デバッガ、バージョン管理システムなどのツールを自律的に計画し、実行し、操作する。 従来のコード生成とは異なり、これらのエージェントは目標を分解し、多段階プロセスをコーディネートし、フィードバックに基づいて適応し、ソフトウェア開発のプラクティスを再構築する。
  論文  参考訳（メタデータ） (2025-08-15T00:14:31Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)
• BMW Agents -- A Framework For Task Automation Through Multi-Agent Collaboration [0.0]
  我々は、様々なドメインにわたる複雑なユースケースアプリケーションを扱う柔軟なエージェントエンジニアリングフレームワークの設計に重点を置いている。 提案するフレームワークは,産業用アプリケーションの信頼性を提供し,複数の自律エージェントに対して,スケーラブルでフレキシブルで協調的なワークフローを保証するためのテクニックを提供する。
  論文  参考訳（メタデータ） (2024-06-28T16:39:20Z)

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。