論文の概要: Octopus Protocol: One-Shot Hardware Discovery and Control for AI Agents via Infrastructure-as-Prompts
- arxiv url: http://arxiv.org/abs/2605.09055v1
- Date: Sat, 09 May 2026 16:57:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.045784
- Title: Octopus Protocol: One-Shot Hardware Discovery and Control for AI Agents via Infrastructure-as-Prompts
- Title（参考訳）: Octopus Protocol: インフラストラクチャ・アズ・プロンプトによるAIエージェントのワンショットハードウェアディスカバリと制御
- Abstract要約: 我々は,そのコストを単一シェルコマンドに分解するシステムであるOctopus Protocolを提示する。
プロトコルはプロンプトであり、コードではなく、コーディングエージェントはランタイムである。
1つのコマンドが10～15分でハードウェアをオンにし、最大30のMPPツールを公開する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent agentic-robotics systems, from Code-asPolicies to modern vision-language-action (VLA) foundation models, presuppose that drivers, SDKs, or ROS-style primitives for the target hardware already exist. Writing those primitives is the dominant engineering cost of bringing up new hardware for agent control. We present Octopus Protocol, a system that collapses that cost to a single shell command. Given only raw OS access and a language-model API key, a coding agent executes a five-stage pipeline--PROBE, IDENTIFY, INTERFACE, SERVE, DEPLOY--to discover connected devices, infer their capabilities, generate a Model Context Protocol (MCP) server with typed tools, and deploy it as a live HTTP endpoint. A persistent daemon then monitors the system, heals broken code, and perceives physical state through the camera tools it generated for itself. Two architectural principles make this work: protocols are prompts, not code, and the coding agent is the runtime. We validate the system on three heterogeneous platforms (PC/WSL, Apple Silicon macOS, Raspberry Pi 4) and on a commercial 6-DOF robotic arm with USB camera feedback. One command onboards the hardware in ~10-15 minutes and exposes up to 30 MCP tools; an MCP-compliant client then performs closed-loop visual-motor control through tools no human wrote.
- Abstract（参考訳）: Code-asPoliciesから最新のビジョン言語アクション(VLA)基礎モデルまで、最近のエージェント・ロボティクスシステムは、ターゲットハードウェア用のドライバ、SDK、ROSスタイルのプリミティブが既に存在することを前提としている。
これらのプリミティブを書くことは、エージェント制御のための新しいハードウェアを導入する上で、主要なエンジニアリングコストである。
我々は,そのコストを単一シェルコマンドに分解するシステムであるOctopus Protocolを提示する。
生のOSアクセスと言語モデルAPIキーのみを前提として、コーディングエージェントは5段階のパイプライン-PROBE、IDENTIFY、InterfaceFACE、SERVE、DEPLOY-を実行し、接続されたデバイスを検出し、それらの機能を推測し、型付きツールを備えたモデルコンテキストプロトコル(MCP)サーバを生成し、それをライブHTTPエンドポイントとしてデプロイする。
永続的なデーモンがシステムを監視し、壊れたコードを修復し、それ自身が生成したカメラツールを通して物理的状態を認識する。
プロトコルはプロンプトであり、コードではなく、コーディングエージェントはランタイムである。
このシステムは3つの異種プラットフォーム(PC/WSL, Apple Silicon macOS, Raspberry Pi 4)と、USBカメラフィードバックを備えた商用6-DOFロボットアーム上で検証する。
1つのコマンドが10～15分でハードウェアをオンにし、最大30のMPPツールを公開する。
関連論文リスト
- A hardware-safety-gated system for LLM-written native ARTIQ control code on a trapped-ion platform [18.226528651110133]
大言語モデル(LLM)エージェントは、実験的な制御コードを書き、実行することができる。
チェックされていないコードは装置を損傷させる可能性があり、人間の承認/監督とエージェントの判断の間に正式な操作ごとの境界は存在しない。
本稿では,LLMエージェントを,そのような境界を保ちながらトラップイオン実験のループに配置する制御システムを提案する。
論文 参考訳（メタデータ） (2026-06-25T16:19:23Z) - Agents All the Way Down; A Methodology for Building Custom AI Agents from Substrate to Production [1.0499611180329804]
片端から端まで構築する方法を定めているプラクティスは公開されていない。
この記事では、プラクティスを方法論としてAgens All the Way Downを書きます。
オープンソースのLAMBプラットフォームのカスタムエージェントであるAACから蒸留された。
論文 参考訳（メタデータ） (2026-06-10T09:44:54Z) - Workstream: A Local-First Developer Command Center for the AI-Augmented Engineering Workflow [0.0]
プルリクエスト、タスク管理、カレンダ、AIによるコードレビュー、履歴レビューインテリジェンス、レポジトリAI対応スコアリング、エージェントオブザーバビリティを単一のインターフェースに集約する、オープンソースのローカルファーストの開発者コマンドセンタであるWorkstreamを紹介します。
システムアーキテクチャ、新しい5カテゴリAI準備度スコアリングアルゴリズム、チーム固有のパターンの歴史的PRレビューをマイニングするレビューインテリジェンスパイプライン、モデルコンテキストプロトコル(MCP)、エージェント・ツー・エージェント(A2A)、エージェント・オブザーバビリティ・プロトコル(AOP)を実装するエージェント・オブザーバビリティ・レイヤについて説明する。
論文 参考訳（メタデータ） (2026-04-18T16:24:29Z) - Dive into Claude Code: The Design Space of Today's and Future AI Agent Systems [42.345465506597044]
Claude Codeは、シェルコマンドを実行し、ファイルを編集し、ユーザに代わって外部サービスを呼び出すことができるエージェントコーディングツールである。
本研究では、公開されているTypeScriptソースコードを分析して、その包括的なアーキテクチャについて説明する。
論文 参考訳（メタデータ） (2026-04-14T17:59:37Z) - VLAgents: A Policy Server for Efficient VLA Inference [10.731074886477515]
我々は,統一されたGymnasiumスタイルのプロトコルの背後にあるVLA推論を抽象化するモジュール型ポリシーサーバであるVLAgentsを紹介する。
その通信層は、高速シミュレーションのためのゼロコピー共有メモリとリモートハードウェアのための圧縮ストリーミングの両方をサポートすることにより、コンテキストに透過的に適応する。
ローカル通信とリモート通信の両方のベンチマークでは、OpenVLA、OpenPi、LeRobotが提供するデフォルトのポリシーサーバよりも優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-01-16T12:58:59Z) - Code2MCP: Transforming Code Repositories into MCP Services [53.234097255779744]
Model Context Protocol (MCP)は、大規模言語モデルがどのようにツールを使用するかの標準を作成することを目的としている。
私たちは、GitHubリポジトリを機能的なMSPサービスに自動的に変換するエージェントベースのフレームワークであるCode2MCPを紹介します。
Code2MCPはバイオインフォマティクス、数学、流体力学などの科学分野におけるオープンソースの計算ライブラリの変換に成功している。
論文 参考訳（メタデータ） (2025-09-07T06:13:25Z) - OS Agents: A Survey on MLLM-based Agents for General Computing Devices Use [101.57043903478257]
アイアンマンの架空のJ.A.R.V.I.Sほど有能で多用途なAIアシスタントを作る夢は、長い間想像力に恵まれてきた。
マルチモーダル(multi-modal)な大きな言語モデル((M)LLMs)の進化により、この夢は現実に近づいている。
本調査は,OSエージェント研究の現状を整理し,学術調査と産業開発の両方の指針を提供する。
論文 参考訳（メタデータ） (2025-08-06T14:33:45Z) - LiteCUA: Computer as MCP Server for Computer-Use Agent on AIOS [41.43108796746488]
AIOS 1.0は、環境コンテキスト化によるコンピュータ利用エージェント機能の向上を目的とした、新しいプラットフォームである。
We introduced LiteCUA, a lightweight computer-use agent built on AIOS 1.0, which is a 14.66% success rate on the OSWorld benchmark。
論文 参考訳（メタデータ） (2025-05-24T18:56:00Z) - UFO2: The Desktop AgentOS [60.317812905300336]
UFO2はWindowsデスクトップ用のマルチエージェントAgentOSで、実用的なシステムレベルの自動化に発展している。
我々は、20以上の現実世界のWindowsアプリケーションに対してUFO2を評価し、従来のCUAよりもロバスト性および実行精度を大幅に改善した。
我々の結果は、ディープOSの統合によって、信頼性の高いユーザ指向のデスクトップ自動化へのスケーラブルな道が開けることを示している。
論文 参考訳（メタデータ） (2025-04-20T13:04:43Z) - 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) - AgentKit: Structured LLM Reasoning with Dynamic Graphs [91.09525140733987]
多機能エージェントのための直感的なLCMプロンプトフレームワーク(AgentKit)を提案する。
AgentKitは、単純な自然言語プロンプトから複雑な"思考プロセス"を明示的に構築するための統一されたフレームワークを提供する。
論文 参考訳（メタデータ） (2024-04-17T15:40:45Z) - ScreenAgent: A Vision Language Model-driven Computer Control Agent [17.11085071288194]
視覚言語モデル(VLM)エージェントが実際のコンピュータ画面と対話する環境を構築する。
この環境では、エージェントは、マウスとキーボードのアクションを出力することで、スクリーンショットを観察し、GUI(Graphics User Interface)を操作することができる。
そこで,ScreenAgentデータセットを構築し,様々なコンピュータタスクの完了時にスクリーンショットとアクションシーケンスを収集する。
論文 参考訳（メタデータ） (2024-02-09T02:33:45Z) - Agents: An Open-source Framework for Autonomous Language Agents [98.91085725608917]
我々は、言語エージェントを人工知能への有望な方向と見なしている。
Agentsはオープンソースライブラリで、これらの進歩を広く非専門的な聴衆に開放することを目的としています。
論文 参考訳（メタデータ） (2023-09-14T17:18:25Z)
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。