論文の概要: A Compound AI Agent for Conversational Grant Discovery

• arxiv url: http://arxiv.org/abs/2605.02366v1
• Date: Mon, 04 May 2026 09:09:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.207177
• Title: A Compound AI Agent for Conversational Grant Discovery
• Title（参考訳）: 会話的グラント発見のための複合AIエージェント
• Authors: Zhisheng Tang, Mayank Kejriwal,
• Abstract要約: 研究資金の発見は基本的に断片化されている。 2つの密結合されたコンポーネントを通して、この景観を統一する複合AIシステムを提案する。 複合AIが30分から45分以内の許可発見時間を10分未満に短縮する可能性を示す。
• 参考スコア（独自算出の注目度）: 2.5782420501870296
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Research funding discovery remains fundamentally fragmented: researchers navigate disparate agency portals (e.g., in the United States, NSF, NIH, DARPA, Grants.gov, and many others) with heterogeneous interfaces, search capabilities, and data schemas. We present a compound AI system that unifies this landscape through two tightly coupled components: (1) an aggregation layer that autonomously collects, normalizes, and indexes almost 12,000 federal and nonprofit opportunities from fragmented sources via LLM-equipped browser agents, maintaining a biweekly-updated unified database; and (2) an agentic ReAct-based query processing layer that interprets research context (including from PDF documents) and employs hybrid search combining a structured index with selective web search to retrieve relevant opportunities - while avoiding LLM hallucination. The conversational interface supports iterative refinement through multi-turn interactions, allowing researchers to progressively apply constraints without reformulating their core research description. Results stream in real time with full transparency of intermediate reasoning, enabling appropriate calibration of user trust. Currently used by almost 3,000+ users, our approach demonstrates the feasibility of compound AI in reducing grant discovery time from 30--45 minutes (manual, fragmented portal searches) to under 10 minutes (unified, conversational search).
• Abstract（参考訳）: 研究者は異質な機関ポータル(例えば米国、NSF、NIH、DARPA、Grants.govなど)を異種インターフェース、検索機能、データスキーマでナビゲートする。 1) LLMを組み込んだブラウザエージェントによる断片化されたソースから, ほぼ12,000件の連邦および非営利の機会を自律的に収集, 正規化, インデックス化する集約層, (2) 研究状況(PDF文書を含む)を解釈し, 構造化されたインデックスと関連する機会を検索するハイブリッド検索を利用するエージェント型ReActベースのクエリ処理層。 対話インタフェースは、マルチターンインタラクションによる反復的洗練をサポートし、研究者は、コア研究記述を変更することなく、徐々に制約を適用することができる。 結果は、中間的推論の完全な透明性でリアルタイムでストリームされ、ユーザ信頼の適切なキャリブレーションを可能にします。 現在,約3000人以上のユーザが使用しているアプローチでは,承認発見時間を30～45分(手動で断片化したポータル検索)から10分未満(統一された会話検索)に短縮する,複合AIの実現可能性を示している。

関連論文リスト

• AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
  AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。 エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。 最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
  論文  参考訳（メタデータ） (2026-04-28T06:05:17Z)
• InterDeepResearch: Enabling Human-Agent Collaborative Information Seeking through Interactive Deep Research [14.005603288497397]
  本稿では,エージェント研究プロセスにおける人間とループのコラボレーションの欠如について論じる。 我々は、専用の研究コンテキスト管理フレームワークによって支援されたインタラクティブなディープリサーチシステムであるInterDeepResearchを提案する。
  論文  参考訳（メタデータ） (2026-03-13T03:23:59Z)
• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests [28.788329427390455]
  本稿では,DeepResearchから収集した14.44Mの検索要求(3.97Mセッション)に基づいて,エージェント検索の大規模ログ解析を行う。 まず,各セッションの90%以上が少なくとも10ステップ,89%が1分以内である。 エージェント検索は、繰り返しを意識した早期停止、意図適応型検索予算、明示的なクロスステップコンテキストトラッキングの恩恵を受ける可能性がある。
  論文  参考訳（メタデータ） (2026-01-24T22:42:43Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• InteractComp: Evaluating Search Agents With Ambiguous Queries [36.05005463045869]
  検索エージェントがクエリのあいまいさを認識でき、検索中に積極的に対話できるかどうかを評価するためのベンチマークであるInteractCompを紹介する。 最高のモデルでは71.50%の完全コンテキストにもかかわらず、13.73%の精度しか達成していない。 この停滞は、検索タスク固有の即時フィードバックと相まって、InteractCompは、検索エージェントのインタラクション機能の評価とトレーニングの両方に有用なリソースとなる。
  論文  参考訳（メタデータ） (2025-10-28T17:35:54Z)
• Fathom-DeepResearch: Unlocking Long Horizon Information Retrieval and Synthesis for SLMs [7.3517692707289415]
  本稿では2つの特殊モデルからなるエージェントシステムであるFathom-DeepResearchを紹介する。 ひとつは、ライブWeb検索とターゲットWebページクエリによるエビデンスベースの調査に最適化された、DeepSearchモデルであるFathom-Search-4Bである。 2つ目は、Qwen3-4Bから訓練されたFathom-Synthesizer-4Bである。
  論文  参考訳（メタデータ） (2025-09-28T22:58:11Z)
• MMSearch-R1: Incentivizing LMMs to Search [49.889749277236376]
  MMSearch-R1は,実世界のインターネット環境において,オンデマンドでマルチターン検索が可能な,初のエンドツーエンド強化学習フレームワークである。 本フレームワークは画像検索とテキスト検索の両方を統合し,検索ペナルティによる結果に基づく報酬によって,モデルがいつ,どのように呼び出すかの判断を可能にする。
  論文  参考訳（メタデータ） (2025-06-25T17:59:42Z)

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。