論文の概要: ReCreate: Reasoning and Creating Domain Agents Driven by Experience

• arxiv url: http://arxiv.org/abs/2601.11100v1
• Date: Fri, 16 Jan 2026 09:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.420698
• Title: ReCreate: Reasoning and Creating Domain Agents Driven by Experience
• Title（参考訳）: ReCreate: 経験に基づいたドメインエージェントの推論と生成
• Authors: Zhezheng Hao, Hong Wang, Jian Luo, Jianqing Zhang, Yuyan Zhou, Qiang Lin, Can Wang, Hande Dong, Jiawei Chen,
• Abstract要約: ReCreateは、ドメインエージェントの自動生成のためのエクスペリエンス駆動フレームワークである。 本稿では,経験から効果的に学習するエージェント・アズ・オプティマイザ・パラダイムを提案する。 さまざまな領域にわたる実験では、ReCreateは人間設計エージェントよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 14.353866611611672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model agents are reshaping the industrial landscape. However, most practical agents remain human-designed because tasks differ widely, making them labor-intensive to build. This situation poses a central question: can we automatically create and adapt domain agents in the wild? While several recent approaches have sought to automate agent creation, they typically treat agent generation as a black-box procedure and rely solely on final performance metrics to guide the process. Such strategies overlook critical evidence explaining why an agent succeeds or fails, and often require high computational costs. To address these limitations, we propose ReCreate, an experience-driven framework for the automatic creation of domain agents. ReCreate systematically leverages agent interaction histories, which provide rich concrete signals on both the causes of success or failure and the avenues for improvement. Specifically, we introduce an agent-as-optimizer paradigm that effectively learns from experience via three key components: (i) an experience storage and retrieval mechanism for on-demand inspection; (ii) a reasoning-creating synergy pipeline that maps execution experience into scaffold edits; and (iii) hierarchical updates that abstract instance-level details into reusable domain patterns. In experiments across diverse domains, ReCreate consistently outperforms human-designed agents and existing automated agent generation methods, even when starting from minimal seed scaffolds.
• Abstract（参考訳）: 大規模言語モデルエージェントが産業の景観を変えています。 しかし、タスクが多岐にわたるため、実際のエージェントは人間設計のままであり、構築に労力がかかる。 この状況は中心的な疑問を引き起こします。ドメインエージェントを自動的に作成し、適用できますか? エージェント生成を自動化しようとする最近のアプローチはいくつかあるが、エージェント生成をブラックボックスプロシージャとして扱うのが一般的である。 このような戦略は、エージェントが成功したり失敗したりする理由を説明する重要な証拠を見落とし、しばしば高い計算コストを必要とする。 これらの制限に対処するため、ドメインエージェントの自動生成のための経験駆動フレームワークであるReCreateを提案する。 ReCreateはエージェントインタラクション履歴を体系的に活用し、成功や失敗の原因と改善の道筋の両方について豊富な具体的なシグナルを提供する。 具体的には、エージェント・アズ・オプティマイザのパラダイムを導入し、3つの重要なコンポーネントを通して経験から効果的に学習する。 一 オンデマンド検査のための体験記憶及び検索機構 (ii)実行経験を足場編集にマッピングする推論生成シナジーパイプライン (iii)再利用可能なドメインパターンにインスタンスレベルの詳細を抽象化する階層的な更新。 さまざまなドメインにわたる実験において、ReCreateは最小限のシードスキャフォールドから始める場合でも、人間によって設計されたエージェントと既存の自動エージェント生成メソッドを一貫して上回る。

関連論文リスト

• 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)
• Inefficiencies of Meta Agents for Agent Design [25.46718879564119]
  メタエージェントの共通クラスにおける3つの課題について検討する。 まず、メタエージェントがイテレーション間でどのように学習するかを検討する。 第二に、メタエージェントはトレーニング中に複数のエージェントを設計するが、通常、テスト時に単一のエージェントをコミットする。
  論文  参考訳（メタデータ） (2025-10-08T07:06:17Z)
• 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)
• Rethinking Agent Design: From Top-Down Workflows to Bottom-Up Skill Evolution [34.66260172204154]
  人間の学習過程を反映したボトムアップエージェントパラダイムを導入する。 エージェントは、試行錯誤メカニズムを探索し、成果を反映し、時間とともにスキルを抽象化することで能力を獲得する。 Slay the Spire and Civilization Vでは、エージェントが生の視覚的入力を通じて知覚し、マウスのアウトプットを介して行動する。
  論文  参考訳（メタデータ） (2025-05-23T09:38:55Z)
• Memento No More: Coaching AI Agents to Master Multiple Tasks via Hints Internalization [56.674356045200696]
  本稿では,複雑なメモシステムや事前の高品質な実演データを必要としない,複数のタスクに対する知識とスキルを取り入れたAIエージェントの訓練手法を提案する。 このアプローチでは,エージェントが新たな経験を収集し,ヒントの形で人間から補正フィードバックを受け取り,このフィードバックを重みに組み込む,反復的なプロセスを採用している。 Llama-3をベースとしたエージェントに実装することで,数ラウンドのフィードバックの後,高度なモデルGPT-4oとDeepSeek-V3をタスクセットで性能向上させる手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-02-03T17:45:46Z)
• AgentRefine: Enhancing Agent Generalization through Refinement Tuning [28.24897427451803]
  LLM(Large Language Model)ベースのエージェントは、人間のような複雑なタスクを実行する能力を示した。 オープンソースLLMとGPTシリーズのような商用モデルの間にはまだ大きなギャップがある。 本稿では,命令チューニングによるLLMのエージェント一般化機能の改善に焦点をあてる。
  論文  参考訳（メタデータ） (2025-01-03T08:55:19Z)
• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)
• Agent-E: From Autonomous Web Navigation to Foundational Design Principles in Agentic Systems [1.079505444748609]
  本稿では,新しいWebエージェントであるAgent-Eの構築について紹介する。 Agent-Eは、最先端のWebエージェントよりも多くのアーキテクチャ改善を導入している。 我々は,Agent-Eが他のSOTAテキストおよびマルチモーダルWebエージェントを,ほとんどのカテゴリで10～30%上回っていることを示す。
  論文  参考訳（メタデータ） (2024-07-17T21:44:28Z)
• AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
  大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。 我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。 我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-06T15:15:41Z)

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。