論文の概要: Quine: Realizing LLM Agents as Native POSIX Processes

• arxiv url: http://arxiv.org/abs/2603.18030v1
• Date: Sun, 08 Mar 2026 05:32:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.40334
• Title: Quine: Realizing LLM Agents as Native POSIX Processes
• Title（参考訳）: Quine: ネイティブPOSIXプロセスとしてLLMエージェントを実現する
• Abstract要約: 本稿では,LLMエージェントをネイティブPOSIXプロセスとして実現したランタイムアーキテクチャと参照実装であるQuineについて述べる。 IDはPID、インターフェイスは標準ストリームと終了ステータス、状態はメモリ、環境変数、ライフサイクルはfork/exec/exitである。 Quineのリファレンス実装はGitHubで公開されている。
• 参考スコア（独自算出の注目度）: 0.6700873164609007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current LLM agent frameworks often implement isolation, scheduling, and communication at the application layer, even though these mechanisms are already provided by mature operating systems. Instead of introducing another application-layer orchestrator, this paper presents Quine, a runtime architecture and reference implementation that realizes LLM agents as native POSIX processes. The mapping is explicit: identity is PID, interface is standard streams and exit status, state is memory, environment variables, and filesystem, and lifecycle is fork/exec/exit. A single executable implements this model by recursively spawning fresh instances of itself. By grounding the agent abstraction in the OS process model, Quine inherits isolation, composition, and resource control directly from the kernel, while naturally supporting recursive delegation, context renewal via exec, and shell-native composition. The design also exposes where the POSIX process model stops: processes provide a robust substrate for execution, but not a complete runtime model for cognition. In particular, the analysis points toward two immediate extensions beyond process semantics: task-relative worlds and revisable time. A reference implementation of Quine is publicly available on GitHub.
• Abstract（参考訳）: 現在のLLMエージェントフレームワークは、成熟したオペレーティングシステムによってすでに提供されていますが、しばしばアプリケーション層で分離、スケジューリング、通信を実装しています。 本稿では,アプリケーション層オーケストレータを別のアプリケーション層オーケストレータとして導入する代わりに,ネイティブPOSIXプロセスとしてLLMエージェントを実現するランタイムアーキテクチャと参照実装であるQuineを提案する。 IDはPID、インターフェイスは標準ストリームと終了ステータス、状態はメモリ、環境変数、ファイルシステム、ライフサイクルはfork/exec/exitである。 単一の実行ファイルは、自身の新しいインスタンスを再帰的に生成することで、このモデルを実装します。 OSプロセスモデルにエージェント抽象化を基盤として、Quineはカーネルから直接分離、構成、リソース制御を継承すると同時に、再帰的なデリゲート、execによるコンテキスト更新、シェルネイティブなコンポジションを自然にサポートする。 プロセスは、実行のための堅牢な基盤を提供するが、認識のための完全なランタイムモデルではない。 特に、分析はプロセスのセマンティクスを超えた2つの即時拡張(タスク相対的世界と修正可能な時間)を指している。 Quineのリファレンス実装はGitHubで公開されている。

関連論文リスト

• FRAMEWORKERS: A Dynamic Multi-Agent Framework for AI-Generated Video Production [55.71860113185132]
  本稿では,タスク中心のマルチエージェントフレームワークであるFRAMEWORKERSを紹介した。 Central Directorは、ビデオ生成を動的タスク管理として定式化し、タスクスタックを継続的に編集して、次にどのサブタスクを実行するか、どのサブエージェントを呼び出すかを決定する。 アシスタントは実行層として機能し、選択した各タスクを共有ワークスペースに接地し、必要なアセットとコンテキストを検索し、割り当てられたサブエージェントを呼び出し、結果のアーティファクトを永続化する。 FRAMEWORKERSは、ルーティング精度において強いプランナーよりも優れ、実行時の障害から確実に回復し、目に見えないサブに一般化することを示した。
  論文  参考訳（メタデータ） (2026-08-30T14:28:50Z)
• DeepRepro: State-Aware Subplanning for Paper-to-Code Reproduction in Evolving Repositories [116.27249583403871]
  本稿では,実行状態対応サブプランニングに基づく,紙からコードへの再生のための状態認識フレームワークを提案する。 DeepReproは、進化するリポジトリの状態とランタイムフィードバックを、きめ細かい実装サブプランに変換する。 PaperBench Code-Devの実験によると、DeepReproは強力な科学的および商業的なコードエージェントベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-08-27T02:54:30Z)
• Towards an Agent Operating System - Lessons from Classical and Cloud OS [1.694273347265762]
  エージェントAIシステムは、現在、第3波の実験段階にある。 コア抽象化とは何か、どのような保証があるのかについては、コミュニティの合意はありません。 前進する道は、先行波の方法論に従うことだと我々は主張する。
  論文  参考訳（メタデータ） (2026-07-27T21:10:59Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• A Formal Hierarchical Architecture for Agentic Orchestration with Stack-Based Execution and Lazy Discovery [5.106901034158075]
  本稿では,エージェントオーケストレーションのための階層的,スキルベースのアーキテクチャを提案する。 機能はルートツリーとして構成され、内部ノードがルーティング決定を行い、リーフノードが決定論的タスクを実行する。 グローバルメモリをローカライズされたスタックフレームに置き換えることで、ある実行ブランチからの出力が別の実行ブランチにリークすることを防ぐ。
  論文  参考訳（メタデータ） (2026-07-13T06:15:51Z)
• Agent libOS: A Library-OS-Inspired Runtime for Long-Running, Capability-Controlled LLM Agents [0.6345523830122165]
  大規模言語モデル(LLM)エージェントは、要求応答アシスタントから長期実行中のソフトウェアアクターへと進化している。 本稿では,LLMエージェントのためのライブラリOSをベースとしたランタイム基板であるAgens libOSを提案する。
  論文  参考訳（メタデータ） (2026-06-02T16:53:24Z)
• Syll: Open-Source Personal Automation with Cross-Surface Execution [73.77463150026068]
  オープンソースで自己ホスト型マルチモーダルエージェントであるSyllを紹介します。 Syllは、MPP/APIツール、CLI実行、モジュールランタイムでのビジュアルコントロールを統合する。 私たちの実装は、Adobe Photoshop、Adobe Audition、Stardew Valley、Finderなどのプロダクションデスクトップアプリケーションで検証されています。
  論文  参考訳（メタデータ） (2026-05-28T17:59:31Z)
• Deterministic Replay for AI Agent Systems [0.0]
  大規模な言語モデルを外部ツールやAPIと組み合わせるAIエージェントシステムは本質的に非決定論的である。 既存の可観測性プラットフォームは実行ログをキャプチャするが、独立して実行を再現することはできない。 エージェント実行の決定論的リプレイのための開発者ファーストのCLIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T12:00:45Z)
• Interpretable Context Methodology: Folder Structure as Agentic Architecture [0.0]
  AIエージェントオーケストレーションに対する現在のアプローチは、典型的には、コンテクストパッシング、メモリ、エラーハンドリング、コードによるステップ調整を管理するマルチエージェントフレームワークの構築を含む。 本稿では,フレームワークレベルのオーケストレーションを構造に置き換える手法である Model Workspace Protocol (MWP) を提案する。 平易なマークダウンファイルには、ひとつのAIエージェントに各ステップでどのような役割を果たすべきかを伝えるプロンプトとコンテキストがある。ローカルスクリプトは、AIをまったく必要としない機械的な作業を処理する。
  論文  参考訳（メタデータ） (2026-03-17T00:03:23Z)
• ANCHOR: Branch-Point Data Generation for GUI Agents [52.22377425487]
  デスクトップ環境向けのエンドツーエンドGUIエージェントは、大量の高品質なインタラクションデータを必要とする。 本稿では,拡張フレームワークであるAnchorについて紹介する。このフレームワークは,小規模で検証済みのシードデモから,スケーラブルなデスクトップ監視をブートストラップする。 OSWorldとWindowsAgentArenaの標準デスクトップベンチマークの実験では、拡張されたコーパスに微調整されたモデルが一貫した改善を実現している。
  論文  参考訳（メタデータ） (2026-02-06T19:55:26Z)
• From Everything-is-a-File to Files-Are-All-You-Need: How Unix Philosophy Informs the Design of Agentic AI Systems [0.0]
  初期のUNIXシステムにおける中核的な抽象化は、"すべてのものはファイルである"という原則であった。 本稿では,現代エージェントAIにおける類似の統一の出現について考察する。
  論文  参考訳（メタデータ） (2026-01-16T03:40:28Z)
• Monadic Context Engineering [59.95390010097654]
  本稿では,エージェント設計の正式な基盤を提供するために,モナディックコンテキストエンジニアリング(MCE)を紹介する。 我々は、モナドがロバストなコンポジションをどのように実現し、Applicativesが並列実行に原則化された構造を提供し、また、モナドトランスフォーマーがこれらの機能の体系的なコンポジションをどのように可能にしているかを実証する。 この階層化されたアプローチにより、開発者は、単純で独立した検証可能なコンポーネントから、複雑でレジリエントで効率的なAIエージェントを構築することができる。
  論文  参考訳（メタデータ） (2025-12-27T01:52:06Z)
• Towards Agentic OS: An LLM Agent Framework for Linux Schedulers [3.8068085728995307]
  我々は、完全に自律的な大規模言語モデル(LLM)エージェントが、人間の関与なしにLinuxスケジューラを安全かつ効率的に最適化できる、最初のフレームワークであるSchedCPを紹介した。 評価の結果,SchedCPの性能改善は最大1.79倍,コスト削減は有意なエージェントアプローチに比べて13倍であることがわかった。
  論文  参考訳（メタデータ） (2025-09-01T08:38:49Z)
• PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
  本稿では,PC-Agentという階層型エージェントフレームワークを提案する。 認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。 意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:55Z)
• Commit0: Library Generation from Scratch [77.38414688148006]
  Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。 エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。 Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
  論文  参考訳（メタデータ） (2024-12-02T18:11:30Z)
• DynaSaur: Large Language Agents Beyond Predefined Actions [126.98162266986554]
  既存のLLMエージェントシステムは、通常、各ステップで固定セットと事前定義されたセットからアクションを選択する。 動作を動的に生成・構成できるLLMエージェントフレームワークを提案する。 このフレームワークでは、汎用プログラミング言語で書かれたプログラムを生成し実行することで、エージェントが環境と対話する。
  論文  参考訳（メタデータ） (2024-11-04T02:08:59Z)

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。