論文の概要: Demand-Driven Context: A Methodology for Building Enterprise Knowledge Bases Through Agent Failure

• arxiv url: http://arxiv.org/abs/2603.14057v1
• Date: Sat, 14 Mar 2026 17:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.574284
• Title: Demand-Driven Context: A Methodology for Building Enterprise Knowledge Bases Through Agent Failure
• Title（参考訳）: 需要駆動コンテキスト:エージェント障害による企業知識ベース構築のための方法論
• Authors: Raj Navakoti, Saideep Navakoti,
• Abstract要約: ドメインの知識をキュレートするための主要なシグナルとしてエージェントの失敗を利用する問題優先の方法論であるDemand-Driven Contextを紹介します。 テスト駆動開発にインスパイアされたDDCは、エージェントに本当の問題を与え、必要なコンテキストを要求し、成功に必要な最小限の知識だけをキュレートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language model agents demonstrate expert-level reasoning, yet consistently fail on enterprise-specific tasks due to missing domain knowledge -- terminology, operational procedures, system interdependencies, and institutional decisions that exist largely as tribal knowledge. Current approaches fall into two categories: top-down knowledge engineering, which documents domain knowledge before agents use it, and bottom-up automation, where agents learn from task experience. Both have fundamental limitations: top-down efforts produce bloated, untested knowledge bases; bottom-up approaches cannot acquire knowledge that exists only in human heads. We present Demand-Driven Context (DDC), a problem-first methodology that uses agent failure as the primary signal for what domain knowledge to curate. Inspired by Test-Driven Development, DDC inverts knowledge engineering: instead of curating knowledge and hoping it is useful, DDC gives agents real problems, lets them demand the context they need, and curates only the minimum knowledge required to succeed. We describe the methodology, its entity meta-model, and a convergence hypothesis suggesting that 20-30 problem cycles produce a knowledge base sufficient for a given domain role. We demonstrate DDC through a worked example in retail order fulfillment, where nine cycles targeting an SRE incident management agent produce a reusable knowledge base of 46 entities. Finally, we propose a scaling architecture for enterprise adoption with semi-automated curation and human governance.
• Abstract（参考訳）: 大規模言語モデルエージェントは、専門レベルの推論を実証するが、専門用語、運用手順、システム相互依存性、そして主に部族的知識として存在する制度的な決定など、ドメイン知識の欠如により、企業固有のタスクで一貫して失敗する。 現在のアプローチは、エージェントが使用する前にドメイン知識を文書化するトップダウン知識エンジニアリングと、エージェントがタスクエクスペリエンスから学ぶボトムアップ自動化の2つのカテゴリに分類される。 トップダウンの取り組みは肥大化した未テストの知識ベースを生み出し、ボトムアップのアプローチは人間の頭だけに存在する知識を取得することはできない。 本稿では、ドメイン知識をキュレートするための主要なシグナルとしてエージェント障害を利用する問題優先の方法論であるDemand-Driven Context(DDC)を紹介する。 知識をキュレートする代わりに、DDCはエージェントに本当の問題を与え、必要なコンテキストを要求し、成功するために必要な最小限の知識だけをキュレートします。 本稿では、方法論、実体メタモデル、収束仮説について述べ、20～30の問題サイクルが与えられたドメインの役割に十分な知識ベースを生み出すことを示唆する。 SREインシデント管理エージェントを対象とする9サイクルが46のエンティティの再利用知識ベースを生成する。 最後に、半自動キュレーションと人的ガバナンスによる企業採用のためのスケーリングアーキテクチャを提案する。

関連論文リスト

• Nurture-First Agent Development: Building Domain-Expert AI Agents Through Conversational Knowledge Crystallization [0.7868449549351487]
  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。
  論文  参考訳（メタデータ） (2026-03-11T14:14:53Z)
• ReCreate: Reasoning and Creating Domain Agents Driven by Experience [14.353866611611672]
  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。
  論文  参考訳（メタデータ） (2026-01-16T09:00:03Z)
• GSM-Agent: Understanding Agentic Reasoning Using Controllable Environments [56.007498767771075]
  GSM-Agentは複雑な環境でエージェント推論を評価するための新しいベンチマークである。 我々は,環境文書の埋め込みをノードにクラスタ化することでエージェント推論パターンを分析し,各ツールコールを最も近いノードにマッピングする。 本稿では,LLMのエージェント推論性能を向上させるためのツール拡張テストタイムスケーリング手法を提案する。
  論文  参考訳（メタデータ） (2025-09-26T07:24:37Z)
• 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)
• Agentic Knowledgeable Self-awareness [79.25908923383776]
  KnowSelfはデータ中心のアプローチで、人間のような知識のある自己認識を持つエージェントを応用する。 我々の実験により、KnowSelfは、外部知識を最小限に使用して、様々なタスクやモデルにおいて、様々な強力なベースラインを達成できることが実証された。
  論文  参考訳（メタデータ） (2025-04-04T16:03:38Z)
• 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)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)

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。