論文の概要: Agentics 2.0: Logical Transduction Algebra for Agentic Data Workflows

• arxiv url: http://arxiv.org/abs/2603.04241v1
• Date: Wed, 04 Mar 2026 16:30:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.398788
• Title: Agentics 2.0: Logical Transduction Algebra for Agentic Data Workflows
• Title（参考訳）: Agentics 2.0: エージェントデータワークフローのための論理変換代数
• Authors: Alfio Massimiliano Gliozzo, Junkyu Lee, Nahuel Defosse,
• Abstract要約: Agentics 2.0は、ハイクオリティで構造化された、説明可能な、タイプセーフなエージェントデータを構築するための軽量でPythonネイティブなフレームワークです。 Agentics 2.0の中核において、論理代数学は、大きな言語モデル推論コールを型付きセマンティック変換として形式化する。 提案するフレームワークは、強い型付け、セマンティックオブザーバビリティ、エビデンストレースを通じてセマンティックな信頼性を提供する。
• 参考スコア（独自算出の注目度）: 3.0955233217110045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic AI is rapidly transitioning from research prototypes to enterprise deployments, where requirements extend to meet the software quality attributes of reliability, scalability, and observability beyond plausible text generation. We present Agentics 2.0, a lightweight, Python-native framework for building high-quality, structured, explainable, and type-safe agentic data workflows. At the core of Agentics 2.0, the logical transduction algebra formalizes a large language model inference call as a typed semantic transformation, which we call a transducible function that enforces schema validity and the locality of evidence. The transducible functions compose into larger programs via algebraically grounded operators and execute as stateless asynchronous calls in parallel in asynchronous Map-Reduce programs. The proposed framework provides semantic reliability through strong typing, semantic observability through evidence tracing between slots of the input and output types, and scalability through stateless parallel execution. We instantiate reusable design patterns and evaluate the programs in Agentics 2.0 on challenging benchmarks, including DiscoveryBench for data-driven discovery and Archer for NL-to-SQL semantic parsing, demonstrating state-of-the-art performance.
• Abstract（参考訳）: エージェントAIは、研究プロトタイプからエンタープライズデプロイメントへと急速に移行している。そこでは、信頼性、スケーラビリティ、可読性を超えた可観測性というソフトウェア品質特性を満たすために、要件が拡張されている。 Agentics 2.0は、ハイクオリティで構造化された、説明可能な、タイプセーフなエージェントデータワークフローを構築するための、軽量でPythonネイティブなフレームワークです。 Agentics 2.0の中核で、論理的トランスダクション代数は、大きな言語モデル推論コールを型付きセマンティック変換として形式化し、我々は、スキーマの妥当性と証拠の局所性を強制する変換可能な関数と呼ぶ。 トランスデューシブル関数は代数的基底演算子を介してより大きなプログラムに構成され、非同期Map-Reduceプログラムではステートレスな非同期呼び出しとして並列に実行される。 提案フレームワークは,強い型付けによるセマンティック信頼性,入力型と出力型のスロット間のエビデンストレースによるセマンティックオブザーバビリティ,ステートレス並列実行によるスケーラビリティを提供する。 我々は再利用可能なデザインパターンをインスタンス化し、データ駆動型発見のためのDiscoveryBench、NL-to-SQLセマンティック解析のためのArcher、最先端のパフォーマンスの実証を含む、挑戦的なベンチマークでAgentics 2.0のプログラムを評価する。

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)
• El Agente Gráfico: Structured Execution Graphs for Scientific Agents [7.47895130442454]
  タイプセーフな実行環境内に,大規模言語モデル(LLM)による意思決定を組み込んだ単一エージェントフレームワークであるEl Agente Grficoを紹介する。 我々のアプローチの中心は、科学概念の構造化された抽象化と、型付きPythonオブジェクトとして計算状態を表すオブジェクトグラフマッパーである。 大学レベルの量子化学タスクのスイートにまたがって,自動ベンチマークフレームワークを開発することにより,システムの評価を行う。
  論文  参考訳（メタデータ） (2026-02-19T23:47:05Z)
• 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)
• Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
  ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。 人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。 実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T08:38:44Z)
• LoCoBench-Agent: An Interactive Benchmark for LLM Agents in Long-Context Software Engineering [90.84806758077536]
  textbfLoCoBench-Agentは,大規模言語モデル(LLM)エージェントを現実的,長期的ソフトウェア工学で評価するための総合的な評価フレームワークである。 我々のフレームワークは、LoCoBenchの8000のシナリオを対話型エージェント環境に拡張し、マルチターン会話の体系的評価を可能にする。 我々のフレームワークは,8つの特殊なツール(ファイル操作,検索,コード解析)をエージェントに提供し,それを10Kから1Mトークンの範囲で評価する。
  論文  参考訳（メタデータ） (2025-11-17T23:57:24Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Open Agent Specification (Agent Spec): A Unified Representation for AI Agents [10.685555728094338]
  我々はAIエージェントとエージェントを定義する宣言型言語Open Agent Specification(Agent Spec)を紹介する。 Agent Specは、コンポーネント、コントロールとデータフローのセマンティクス、スキーマの共通セットを定義し、エージェントを一度定義し、異なるランタイム間で実行できるようにする。
  論文  参考訳（メタデータ） (2025-10-05T12:26:42Z)
• Transduction is All You Need for Structured Data Workflows [8.178153196011028]
  本稿では,構造化データワークフローパイプライン構築のためのエージェント型AIフレームワークであるAgenticsを紹介する。 研究と実践の両方のために設計されたAgenticsは、エージェントがデータタイプに埋め込まれる新しいデータ中心のパラダイムを提供する。 本稿では,本手法の有効性を実証した,構造化データワークフロータスクと実証的エビデンスについて述べる。
  論文  参考訳（メタデータ） (2025-08-21T14:35:47Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• State and Memory is All You Need for Robust and Reliable AI Agents [29.259008600842517]
  大規模言語モデル(LLM)は、自然言語の理解と生成において強力な進歩を実現している。 しかし、複雑な現実世界の科学への応用は、記憶、計画、ツール統合の課題によって制限されている。 本稿では、LLMベースのエージェントが自律的に計画し、推論し、堅牢で信頼性の高いドメイン固有タスク実行を実現することができるモジュール型エージェントフレームワークであるSciBORGを紹介する。
  論文  参考訳（メタデータ） (2025-06-30T02:02:35Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)

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。