論文の概要: IACT: A Self-Organizing Recursive Model for General AI Agents: A Technical White Paper on the Architecture Behind kragent.ai
- arxiv url: http://arxiv.org/abs/2512.02605v1
- Date: Tue, 02 Dec 2025 10:10:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:45.81913
- Title: IACT: A Self-Organizing Recursive Model for General AI Agents: A Technical White Paper on the Architecture Behind kragent.ai
- Title（参考訳）: IACT: 汎用AIエージェントのための自己組織化再帰モデル: kragent.aiの裏側にあるアーキテクチャに関する技術的ホワイトペーパー
- Authors: Pengju Lu,
- Abstract要約: 対話型エージェントコールツリー(Interactive Agents Call Tree, IACT)は、ユーザ対話によって純粋に駆動される汎用的な自律システムである。
我々は,このモデルをKragent.aiシステムに導入する際のアーキテクチャ,設計原則,実践的な教訓について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This technical white paper introduces the Interactive Agents Call Tree (IACT), a computational model designed to address the limitations of static, hard-coded agent workflows. Unlike traditional systems that require pre-defined graphs or specialized programming, IACT operates as a general-purpose autonomous system driven purely by user dialogue. Given a high-level objective, the system autonomously grows a dynamic, recursive agent topology incrementally tailored to the problem's structure. This allows it to scale its organizational complexity to match open-ended tasks. To mitigate the error propagation inherent in unidirectional function calls, IACT introduces interactional redundancy by replacing rigid invocations with bidirectional, stateful dialogues. This mechanism enables runtime error correction and ambiguity resolution. We describe the architecture, design principles, and practical lessons behind the production deployment of this model in the kragent.ai system, presenting qualitative evidence from real-world workflows rather than exhaustive benchmark results.
- Abstract（参考訳）: このテクニカルホワイトペーパーでは、静的でハードコードされたエージェントワークフローの制限に対処するために設計された計算モデルであるInteractive Agents Call Tree (IACT)を紹介している。
事前に定義されたグラフや特殊なプログラミングを必要とする従来のシステムとは異なり、IACTはユーザー対話によって純粋に駆動される汎用の自律システムとして機能する。
高レベルな目的を与えられたシステムは、問題の構造に合わせて、動的で再帰的なエージェントトポロジーを自律的に成長させる。
これにより、組織的な複雑さを拡大して、オープンなタスクにマッチさせることができる。
一方向関数呼び出しに固有のエラー伝搬を軽減するため、IACTは、厳格な呼び出しを双方向でステートフルな対話に置き換えることで、相互作用の冗長性を導入する。
このメカニズムは実行時エラーの修正と曖昧さの解決を可能にする。
実世界のワークフローから得られた質的証拠を,徹底的なベンチマーク結果ではなく,定性的な証拠として提示し,このモデルの生産の背景にあるアーキテクチャ,設計原則,実践的な教訓について述べる。
関連論文リスト
- 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) - ReusStdFlow: A Standardized Reusability Framework for Dynamic Workflow Construction in Agentic AI [11.130786494338876]
ReusStdFlowは、新しい抽出・構築のパラダイムを中心にしたフレームワークである。
それは、トポロジ構造と機能的セマンティクスの両方の検索を容易にするために、二重知識アーキテクチャ統合グラフとベクトルデータベースを利用する。
200の現実世界のn8nでテストされ、抽出と構築の両方で90%以上の精度を達成している。
論文 参考訳（メタデータ） (2026-02-16T16:56:53Z) - Just Ask: Curious Code Agents Reveal System Prompts in Frontier LLMs [65.6660735371212]
textbftextscJustAskは,インタラクションのみで効果的な抽出戦略を自律的に発見するフレームワークである。
これは、アッパー信頼境界に基づく戦略選択と、原子プローブと高レベルのオーケストレーションにまたがる階層的なスキル空間を用いて、オンライン探索問題として抽出を定式化する。
この結果から,現代のエージェントシステムにおいて,システムプロンプトは致命的ではあるがほぼ無防備な攻撃面であることがわかった。
論文 参考訳（メタデータ） (2026-01-29T03:53:25Z) - Agentic Design Patterns: A System-Theoretic Framework [8.108572809924956]
エージェント設計パターンに対する既存の取り組みは、厳密なシステム理論の基礎を欠いていることが多い。
本稿では,エージェントAIシステムを5つのコアに分解し,機能的サブシステムと相互作用する新しいシステム理論フレームワークを提案する。
エージェント設計における繰り返し問題に対する再利用可能な構造的解決策を提供する12のエージェント設計パターンのコレクションを提示する。
論文 参考訳（メタデータ） (2026-01-27T16:14:08Z) - OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。
現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。
自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:23:44Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z) - Are Agents Just Automata? On the Formal Equivalence Between Agentic AI and the Chomsky Hierarchy [4.245979127318219]
本稿では,現代エージェントAIシステムのアーキテクチャクラスと階層の抽象機械との形式的等価性を確立する。
単純な反射エージェントは有限オートマタと等価であり、階層的なタスク分解エージェントはプッシュダウンオートマタと等価であり、リフレクションに読み取り/書き込み可能なメモリを使用するエージェントはTMと等価であることを示す。
論文 参考訳（メタデータ） (2025-10-27T16:22:02Z) - Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
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) - Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。
我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
論文 参考訳（メタデータ） (2025-05-28T15:20:09Z) - Factored Agents: Decoupling In-Context Learning and Memorization for Robust Tool Use [4.437184840125514]
本稿ではエージェントAIにおける従来の単一エージェントシステムの限界を克服する新しいファクターエージェントアーキテクチャを提案する。
提案手法はエージェントを,(1)高レベルプランナーおよびインコンテキスト学習者として機能する大規模言語モデル,(2)ツールフォーマットと出力の記憶器として機能する小型言語モデルに分解する。
経験的評価により,本アーキテクチャは,テキスト内学習と静的記憶のトレードオフを解明しつつ,計画精度と誤り回復性を著しく向上することが示された。
論文 参考訳（メタデータ） (2025-03-29T01:27:11Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z)
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。