論文の概要: Agentic Design Patterns: A System-Theoretic Framework
- arxiv url: http://arxiv.org/abs/2601.19752v1
- Date: Tue, 27 Jan 2026 16:14:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-28 15:26:51.387754
- Title: Agentic Design Patterns: A System-Theoretic Framework
- Title（参考訳）: Agentic Design Patterns: システム理論フレームワーク
- Authors: Minh-Dung Dao, Quy Minh Le, Hoang Thanh Lam, Duc-Trong Le, Quoc-Viet Pham, Barry O'Sullivan, Hoang D. Nguyen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.108572809924956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of foundation model (FM), agentic AI systems are getting more attention, yet their inherent issues like hallucination and poor reasoning, coupled with the frequent ad-hoc nature of system design, lead to unreliable and brittle applications. Existing efforts to characterise agentic design patterns often lack a rigorous systems-theoretic foundation, resulting in high-level or convenience-based taxonomies that are difficult to implement. This paper addresses this gap by introducing a principled methodology for engineering robust AI agents. We propose two primary contributions: first, a novel system-theoretic framework that deconstructs an agentic AI system into five core, interacting functional subsystems: Reasoning & World Model, Perception & Grounding, Action Execution, Learning & Adaptation, and Inter-Agent Communication. Second, derived from this architecture and directly mapped to a comprehensive taxonomy of agentic challenges, we present a collection of 12 agentic design patterns. These patterns - categorised as Foundational, Cognitive & Decisional, Execution & Interaction, and Adaptive & Learning - offer reusable, structural solutions to recurring problems in agent design. The utility of the framework is demonstrated by a case study on the ReAct framework, showing how the proposed patterns can rectify systemic architectural deficiencies. This work provides a foundational language and a structured methodology to standardise agentic design communication among researchers and engineers, leading to more modular, understandable, and reliable autonomous systems.
- Abstract（参考訳）: ファウンデーションモデル(FM)の開発により、エージェントAIシステムはより注目されているが、幻覚や推論の貧弱さといった固有の問題は、システム設計のアドホックな性質と相まって、信頼性が低く不安定なアプリケーションを生み出している。
エージェント・デザイン・パターンを特徴付ける既存の取り組みは厳密な体系理論の基礎を欠いていることが多く、結果として実装が難しい高レベルまたは利便性に基づく分類が生じる。
本稿では,堅牢なAIエージェントのための原則的方法論を導入することで,このギャップに対処する。
まず、エージェントAIシステムを5つのコアに分解し、相互作用する機能サブシステム:推論と世界モデル、知覚とグラウンド、アクション実行、学習と適応、エージェント間通信。
第二に、このアーキテクチャから派生し、エージェント的課題の包括的分類へと直接マッピングされ、12のエージェント的デザインパターンのコレクションを提示する。
これらのパターン - Foundational、Cognitive & Decisional、Execution & Interaction、Adaptive & Learningとして分類された - は、エージェント設計における繰り返し発生する問題に対する再利用可能な構造的解決策を提供する。
このフレームワークの実用性は、ReActフレームワークのケーススタディによって実証され、提案されたパターンが体系的なアーキテクチャ上の欠陥をいかに修正できるかを示している。
この研究は、研究者やエンジニア間のエージェント設計コミュニケーションを標準化するための基礎言語と構造化された方法論を提供し、よりモジュール化され、理解され、信頼性の高い自律システムをもたらす。
関連論文リスト
- Adaptation of Agentic AI [162.63072848575695]
我々は、急速に拡大する研究環境を、エージェント適応とツール適応の両方にまたがる体系的な枠組みに統一する。
エージェントAIにおける適応戦略の設計空間を明らかにする上で,本フレームワークが有効であることを示す。
次に、各カテゴリの代表的アプローチをレビューし、その強みと限界を分析し、主要なオープン課題と今後の機会を強調します。
論文 参考訳（メタデータ） (2025-12-18T08:38:51Z) - A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。
近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。
この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-08-10T16:07:32Z) - Distinguishing Autonomous AI Agents from Collaborative Agentic Systems: A Comprehensive Framework for Understanding Modern Intelligent Architectures [0.0]
大規模言語モデルの出現は、人工知能の2つの異なる相互接続パラダイム、すなわちスタンドアロンAIエージェントと協調エージェントAIエコシステムを触媒した。
本研究は, 運用原則, 構造構成, 配置方法論の体系的解析を通じて, これらのアーキテクチャを識別するための決定的な枠組みを確立する。
論文 参考訳（メタデータ） (2025-06-02T08:52:23Z) - 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) - 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) - 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) - A Reference Architecture for Designing Foundation Model based Systems [28.826700360670515]
ファンデーションモデルが将来のAIシステムの基本的なビルディングブロックになる、という広いコンセンサスがある。
基礎モデルをAIシステムに組み込むことは、責任と安全性に関する重要な懸念を提起する。
本稿では,基礎モデルに基づくシステム設計のためのパターン指向参照アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-04-13T05:01:03Z)
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。