論文の概要: Provable Coordination for LLM Agents via Message Sequence Charts

• arxiv url: http://arxiv.org/abs/2604.17612v1
• Date: Sun, 19 Apr 2026 20:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.601101
• Title: Provable Coordination for LLM Agents via Message Sequence Charts
• Title（参考訳）: メッセージシーケンスチャートによるLLMエージェントの予測コーディネーション
• Authors: Benedikt Bollig, Matthias Függer, Thomas Nowak,
• Abstract要約: メッセージシーケンスチャート(MSC)に基づくエージェント協調を指定するためのドメイン固有言語を提案する。 言語の構文と意味を定義し,グローバルな協調仕様からデッドロックフリーなローカルエージェントプログラムを生成する構文指向プロジェクションを提案する。 私たちのフレームワークのオープンソースPython実装は、ZipperGenとして利用可能です。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent systems built on large language models (LLMs) are difficult to reason about. Coordination errors such as deadlocks or type-mismatched messages are often hard to detect through testing. We introduce a domain-specific language for specifying agent coordination based on message sequence charts (MSCs). The language separates message-passing structure from LLM actions, whose outputs remain unpredictable. We define the syntax and semantics of the language and present a syntax-directed projection that generates deadlock-free local agent programs from global coordination specifications. We illustrate the approach with a diagnosis consensus protocol and show how coordination properties can be established independently of LLM nondeterminism. We also describe a runtime planning extension in which an LLM dynamically generates a coordination workflow for which the same structural guarantees apply. An open-source Python implementation of our framework is available as ZipperGen.
• Abstract（参考訳）: 大規模言語モデル(LLM)上に構築されたマルチエージェントシステムは、推論が難しい。 デッドロックやタイプミスマッチしたメッセージなどのコーディネーションエラーは、テストを通じて検出することがしばしば困難である。 本稿では,メッセージシーケンスチャート(MSC)に基づくエージェントコーディネーションを指定するためのドメイン固有言語を提案する。 言語は、出力が予測不可能なLLMアクションからメッセージパッシング構造を分離する。 言語の構文と意味を定義し,グローバルな協調仕様からデッドロックフリーなローカルエージェントプログラムを生成する構文指向プロジェクションを提案する。 本稿では、診断コンセンサスプロトコルを用いて、LCM非決定性とは独立してコーディネーション特性を確立する方法を示す。 また、LLMが同じ構造保証が適用される協調ワークフローを動的に生成するランタイム計画拡張についても述べる。 私たちのフレームワークのオープンソースPython実装は、ZipperGenとして利用可能です。

関連論文リスト

• CBCL: Safe Self-Extending Agent Communication [0.0]
  我々は,実行時言語拡張を含むすべてのメッセージを決定論的文脈自由言語(DCFL)クラスに制約するエージェント通信言語CBCL(Common Business Communication Language)を提案する。 CBCLにより、エージェントはドメイン固有の"ダイアレクト"拡張をファーストクラスのメッセージとして定義、送信、採用することができる。3つのセーフティ不変(R1-R3)、マシンチェックされたLean 4、Rust参照実装で強制される。
  論文  参考訳（メタデータ） (2026-04-16T00:57:48Z)
• From Agent Loops to Structured Graphs:A Scheduler-Theoretic Framework for LLM Agent Execution [1.8222732878503212]
  LLMベースのエージェントを構築するための主要なパラダイムはエージェントループ(Agent Loop)である。 この観点では、エージェントループとグラフベースの実行エンジンを単一のセマンティック連続体に配置する。 暗黙の文脈から暗黙の静的DAGへ制御フローを上昇させるSGHを提案する。
  論文  参考訳（メタデータ） (2026-04-13T12:16:45Z)
• ProtocolLLM: RTL Benchmark for SystemVerilog Generation of Communication Protocols [45.66401695351214]
  本稿では,広く使用されているSystemVerilogプロトコルを対象とした最初のベンチマークスイートであるProtocolLLMを紹介する。 我々は,ほとんどのモデルがタイミング制約に従う通信プロトコルのSystemVerilogコードを生成するのに失敗したことを観察する。
  論文  参考訳（メタデータ） (2025-06-09T17:10:47Z)
• Type-Constrained Code Generation with Language Models [51.03439021895432]
  本稿では,型システムを利用してコード生成を誘導する型制約デコード手法を提案する。 そこで本研究では,新しい接頭辞オートマトンと,在来型を探索する手法を開発し,LLM生成コードに適切な型付けを強制するための健全なアプローチを構築した。 提案手法は,コード合成,翻訳,修復作業において,コンパイルエラーを半分以上削減し,機能的正しさを著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-12T15:03:00Z)
• DECIDER: A Dual-System Rule-Controllable Decoding Framework for Language Generation [57.07295906718989]
  制約付き復号法は,事前訓練された大言語(Ms と PLMs)が生成するテキストの意味やスタイルを,推論時に様々なタスクに対して制御することを目的としている。 これらの方法は、しばしば、欲求的かつ明示的にターゲットを選択することによって、もっともらしい連続を導く。 認知二重プロセス理論に着想を得て,新しい復号化フレームワークDECDERを提案する。
  論文  参考訳（メタデータ） (2024-03-04T11:49:08Z)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)
• Sequential Monte Carlo Steering of Large Language Models using Probabilistic Programs [46.721838623748816]
  本研究では,大規模言語モデルの出力に対する構文的制約と意味的制約を強制する新しい推論時手法を提案する。 主要なアイデアは、言語生成タスクを離散確率列モデルのクラスにおける後部推論問題として指定することである。 ビームサーチと同様の計算コストのために、SMCは多様なタスクを解決するためにLSMを操ることができる。
  論文  参考訳（メタデータ） (2023-06-05T17:55:05Z)
• Grammar-Constrained Decoding for Structured NLP Tasks without Finetuning [27.59524153097858]
  文法制約付き復号法(GCD)は、大言語モデル(LM)の生成を制御するために用いられる。 GCDは一般に構造化NLPタスクの統一フレームワークとして機能する。 文法制約付きLMは、制約なしLMよりも大幅に優れるか、タスク固有の微調整モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-23T11:54:37Z)
• CAPE: Corrective Actions from Precondition Errors using Large Language Models [8.547766794082184]
  本研究では,計画中の条件誤差を解決するための修正行動を提案する新しい手法を提案する。 CAPEは、アクション前提条件からの少数ショット推論を活用することにより、生成されたプランの品質を改善する。 そこでCAPEはSayCanに比べて76.49%の精度でタスク計画の正しさを向上する。
  論文  参考訳（メタデータ） (2022-11-17T23:14:51Z)

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。