論文の概要: KAIJU: An Executive Kernel for Intent-Gated Execution of LLM Agents
- arxiv url: http://arxiv.org/abs/2604.02375v1
- Date: Tue, 31 Mar 2026 21:38:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.126513
- Title: KAIJU: An Executive Kernel for Intent-Gated Execution of LLM Agents
- Title（参考訳）: LLMエージェントのインテントゲート実行用エグゼクティブカーネル
- Authors: Cormac Guerin, Frank Guerin,
- Abstract要約: ReActを使用した大規模言語モデルに基づくツールコール自律エージェントには3つの制限がある。
最近の作業は、計画と実行を分離する方向に進んでいるが、各ケースモデルでは、実行メカニズムと結合され続けている。
LLMエージェントのシステムレベルの抽象化を導入し,実行エージェントを推論層から分離する。
- 参考スコア（独自算出の注目度）: 5.931389072124715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tool-calling autonomous agents based on large language models using ReAct exhibit three limitations: serial latency, quadratic context growth, and vulnerability to prompt injection and hallucination. Recent work moves towards separating planning from execution but in each case the model remains coupled to the execution mechanics. We introduce a system-level abstraction for LLM agents which decouples the execution of agent workflows from the LLM reasoning layer. We define two first-class abstractions: (1) Intent-Gated Execution (IGX), a security paradigm that enforces intent at execution, and (2) an Executive Kernel that manages scheduling, tool dispatch, dependency resolution, failures and security. In KAIJU, the LLM plans upfront, optimistically scheduling tools in parallel with dependency-aware parameter injection. Tools are authorised via IGX based on four independent variables: scope, intent, impact, and clearance (external approval). KAIJU supports three adaptive execution modes (Reflect, nReflect, and Orchestrator), providing progressively finer-grained execution control apt for complex investigation and deep analysis or research. Empirical evaluation against a ReAct baseline shows that KAIJU has a latency penalty on simple queries due to planning overhead, convergence at moderate complexity, and a structural advantage on computational queries requiring parallel data gathering. Beyond latency, the separation enforces behavioural guarantees that ReAct cannot match through prompting alone. Code available at https://github.com/compdeep/kaiju
- Abstract（参考訳）: ReActを使用した大規模言語モデルに基づくツールコール自律エージェントには、シリアルレイテンシ、二次的コンテキスト成長、インジェクションと幻覚を早める脆弱性の3つの制限がある。
最近の作業は、計画と実行を分離する方向に進んでいるが、それぞれの場合、モデルが実行メカニズムに結びついている。
LLMの推論層からエージェントワークフローの実行を分離するLLMエージェントのシステムレベルの抽象化を導入する。
1)実行時の意図を強制するセキュリティパラダイムであるIntent-Gated Execution(IGX)と、(2)スケジューリング、ツールディスパッチ、依存性解決、障害、セキュリティを管理するExecutive Kernelである。
KAIJUでは、LLMは依存性を意識したパラメータ注入と並行して、前もって楽観的にスケジューリングツールを計画している。
ツールはIGXを通じて、スコープ、インテント、インパクト、クリアランス(外部承認)という4つの独立した変数に基づいて認可される。
KAIJUは3つの適応型実行モード(Reflect、nReflect、Orchestrator)をサポートし、複雑な調査や詳細な分析や研究に適応するよりきめ細かな実行制御を提供する。
ReActベースラインに対する実証的な評価は、KAIJUが単純なクエリに遅延ペナルティを持つことを示す。
レイテンシの他に、分離は、ReActが単独のプロンプトで一致しないことの動作保証を強制する。
https://github.com/compdeep/kaiju
関連論文リスト
- SpecEyes: Accelerating Agentic Multimodal LLMs via Speculative Perception and Planning [104.01865949020304]
エージェント・マルチモーダル・大規模言語モデル(MLLM)は,反復的な視覚的ツールの実行によって顕著な推論能力を達成する。
しかし、カスケード認識、推論、ツール呼び出しループは、重要なシーケンシャルなオーバーヘッドをもたらす。
このオーバーヘッドはエージェントディープと呼ばれ、禁止されたレイテンシを発生させ、システムレベルのスループットを著しく制限します。
本稿では,エージェントレベルの投機的アクセラレーションフレームワークであるSpecEyesを提案する。
論文 参考訳（メタデータ） (2026-03-24T17:45:47Z) - Act While Thinking: Accelerating LLM Agents via Pattern-Aware Speculative Tool Execution [18.50317396128381]
PASTEは、推測によってツールの遅延を隠すように設計されたPattern-Aware Speculative Tool Executionメソッドである。
PASTEは平均タスク完了時間を48.5%削減し、ツールの実行スループットを1.8倍改善する。
論文 参考訳（メタデータ） (2026-03-19T13:36:50Z) - PseudoAct: Leveraging Pseudocode Synthesis for Flexible Planning and Action Control in Large Language Model Agents [5.5917393750392925]
大規模言語モデル(LLM)エージェントは通常、ReActのようなリアクティブな意思決定パラダイムに依存します。
本稿では、擬似コード合成によるLLMエージェントのフレキシブルプランニングとアクション制御のための新しいフレームワークであるPseudoActを紹介する。
ベンチマークデータセットの実験により、我々の手法は既存のリアクティブエージェントのアプローチを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2026-02-27T04:30:45Z) - Robust and Efficient Tool Orchestration via Layered Execution Structures with Reflective Correction [55.13278005189741]
私たちは、高レベルのツール依存関係をキャプチャする階層化された実行構造を学ぶために、ツールオーケストレーションをモデル化します。
本稿では,局所的にエラーを検出し,修正するスキーマ対応反射補正機構を提案する。
この設計では、エラーを個々のツールコールに限定し、実行軌跡全体の再計画を避ける。
論文 参考訳（メタデータ） (2026-02-21T22:20:01Z) - DLLM Agent: See Farther, Run Faster [94.74432470237817]
拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。
我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。
DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2026-02-07T09:01:18Z) - Learning to Share: Selective Memory for Efficient Parallel Agentic Systems [49.78267008828593]
エージェントシステムは、反復的に推論する複数のエージェントを調整することで複雑なタスクを解決し、ツールを呼び出し、中間結果を交換する。
最近のアプローチでは、さまざまな推論の軌跡を探索するために、複数のエージェントチームが並行して運用されている。
我々は並列エージェントフレームワークのための学習された共有メモリ機構であるLearning to Share (LTS)を提案する。
論文 参考訳（メタデータ） (2026-02-05T18:20:21Z) - Learning Latency-Aware Orchestration for Parallel Multi-Agent Systems [18.192867631682674]
並列実行下での明示的なレイテンシを持つマルチエージェントシステムの学習に基づくオーケストレーションについて検討する。
本稿では,ワークアウェアなマルチエージェントオーケストレーションフレームワークであるLAMaSを提案する。
提案手法は,マルチエージェントアーキテクチャサーチにおける最先端のベースラインに比べて,クリティカルパス長を38～46%削減することを示す。
論文 参考訳（メタデータ） (2026-01-15T16:23:53Z) - Reducing Latency of LLM Search Agent via Speculation-based Algorithm-System Co-Design [35.95362310928356]
LLMベースの検索エージェントは、高いパフォーマンスを実現するが、深刻なレイテンシーに悩まされる。
我々は憶測のレンズを通してこのボトルネックを再考する。
SPAgentは,検索エージェントにおける投機の役割を拡大し,レイテンシを低減するアルゴリズム・システム協調設計フレームワークである。
論文 参考訳（メタデータ） (2025-11-25T08:15:17Z) - Extracting Events Like Code: A Multi-Agent Programming Framework for Zero-Shot Event Extraction [21.08753833036094]
本稿では,AEC(Agent-Event-Coder)について紹介する。
AECはZSEEを特別なサブタスク(検索、計画、コーディング、検証)に分解する。
5つの異なる領域と6つのLSMにわたる実験により、AECはゼロショットベースラインを一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2025-11-17T08:17:15Z) - An LLM Compiler for Parallel Function Calling [68.04566807806071]
我々は,複数の関数呼び出しを効率的にオーケストレーションするために並列に関数を実行するLLMCompilerを紹介する。
ReActと比較して、一貫したレイテンシの高速化が3.7倍、コストの削減が6.7倍、精度が9%向上している。
論文 参考訳（メタデータ） (2023-12-07T18:32:04Z)
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。