論文の概要: Nurture-First Agent Development: Building Domain-Expert AI Agents Through Conversational Knowledge Crystallization

• arxiv url: http://arxiv.org/abs/2603.10808v1
• Date: Wed, 11 Mar 2026 14:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.99206
• Title: Nurture-First Agent Development: Building Domain-Expert AI Agents Through Conversational Knowledge Crystallization
• Title（参考訳）: ナーチャーファーストエージェント開発:会話的知識の結晶化によるドメイン駆動型AIエージェントの構築
• Authors: Linghao Zhang,
• Abstract要約: 大規模言語モデル(LLM)ベースのエージェントフレームワークは、ドメイン専門のAIエージェントを生の能力からドメイン専門の効果的なエンコーディングに移行する上で、主要な課題をシフトしている。 このシーケンシャルな仮定は、ドメインの専門知識の性質と根本的なミスマッチを引き起こします。 NFD(Nurture-First Development)は、エージェントが最小限の足場を持ち、ドメイン実践者との構造的対話を通じて徐々に成長するパラダイムである。
• 参考スコア（独自算出の注目度）: 0.7868449549351487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emergence of large language model (LLM)-based agent frameworks has shifted the primary challenge in building domain-expert AI agents from raw capability to effective encoding of domain expertise. Two dominant paradigms -- code-first development, which embeds expertise in deterministic pipelines, and prompt-first development, which captures expertise in static system prompts -- both treat agent construction as a discrete engineering phase preceding deployment. We argue that this sequential assumption creates a fundamental mismatch with the nature of domain expertise, which is substantially tacit, deeply personal, and continuously evolving. We propose Nurture-First Development (NFD), a paradigm in which agents are initialized with minimal scaffolding and progressively grown through structured conversational interaction with domain practitioners. The central mechanism is the Knowledge Crystallization Cycle, whereby fragmented knowledge embedded in operational dialogue is periodically consolidated into structured, reusable knowledge assets. We formalize NFD through: (1) a Three-Layer Cognitive Architecture organizing agent knowledge by volatility and personalization degree; (2) the Knowledge Crystallization Cycle with formal definitions of crystallization operations and efficiency metrics; and (3) an operational framework comprising a Dual-Workspace Pattern and Spiral Development Model. We illustrate the paradigm through a detailed case study on building a financial research agent for U.S. equity analysis and discuss the conditions, limitations, and broader implications of NFD for human-agent co-evolution.
• Abstract（参考訳）: 大規模言語モデル(LLM)ベースのエージェントフレームワークの出現は、ドメイン専門のAIエージェントを生の能力からドメイン専門知識の効果的なエンコーディングへと構築する上で、大きな課題をシフトした。 決定論的パイプラインに専門知識を組み込んだコードファースト開発と、静的システムプロンプトの専門知識を捉えたプロンプトファースト開発という2つの支配的なパラダイムは、エージェント構築をデプロイメント前の独立したエンジニアリングフェーズとして扱う。 このシーケンシャルな仮定は、ドメインの専門知識の性質と根本的なミスマッチを生じさせます。 NFD(Nurture-First Development)は,エージェントが最小限の足場で初期化され,ドメイン実践者との構造的対話を通じて徐々に成長するパラダイムである。 中心となるメカニズムは知識結晶化サイクルであり、操作対話に埋め込まれた断片化された知識は、定期的に構造化され再利用可能な知識資産に統合される。 NFD は,(1) エージェント知識をボラティリティとパーソナライゼーションの度合いで整理する三層認知アーキテクチャ,(2) 結晶化操作と効率の指標を形式的に定義した知識結晶化サイクル,(3) デュアルワークスペースパターンとスパイラル開発モデルからなる運用フレームワークを通じて形式化される。 我々は、米国株式分析のための金融調査エージェントを構築するための詳細なケーススタディを通じて、このパラダイムを説明し、人間とエージェントの共進化におけるNFDの条件、限界、およびより広範な含意について議論する。

関連論文リスト

• The Path Ahead for Agentic AI: Challenges and Opportunities [4.52683540940001]
  この章では、複雑な環境で自律的に動作するエージェントAIシステムの出現について考察する。 我々は、統計モデルからトランスフォーマーベースのシステムへのアーキテクチャの進歩を辿り、エージェントの振る舞いを可能にする能力を識別する。 既存の調査とは異なり、私たちは、言語理解から自律的な行動へのアーキテクチャの移行に注目し、デプロイ前に解決しなければならない技術的ギャップを強調します。
  論文  参考訳（メタデータ） (2026-01-06T06:31:42Z)
• Generic-to-Specific Reasoning and Learning for Scalable Ad Hoc Teamwork [10.462598319732187]
  本稿では,アドホックチームワークにおける推論と学習のための知識ベースおよびデータ駆動手法の相補的強みを活用することを提唱する。 任意の目的のために、我々のアーキテクチャは、各アドホックエージェントが非単調な論理的推論によってその動作を決定することを可能にする。 現実的な物理に基づく3Dシミュレーション環境であるVirtualHomeにおけるアーキテクチャの能力について実験的に評価した。
  論文  参考訳（メタデータ） (2025-08-06T07:44:38Z)
• WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization [68.46693401421923]
  WebShaperは集合論を通してISタスクを体系的に定式化する。 WebShaperは、GAIAおよびWebWalkerQAベンチマーク上で、オープンソースISエージェントの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-20T17:53:37Z)
• 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)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• 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。