論文の概要: Multi-Paradigm Agent Interaction in Practice:A Systematic Analysis of Generator-Evaluator, ReAct Loop,and Adversarial Evaluation in the buddyMe Framework
- arxiv url: http://arxiv.org/abs/2605.16821v1
- Date: Sat, 16 May 2026 05:35:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.106001
- Title: Multi-Paradigm Agent Interaction in Practice:A Systematic Analysis of Generator-Evaluator, ReAct Loop,and Adversarial Evaluation in the buddyMe Framework
- Title（参考訳）: マルチパラダイムエージェントインタラクションの実践:bbyMeフレームワークにおけるジェネレータ・評価器・信頼ループ・逆評価の系統的分析
- Authors: Xiaohua Wang, Chao Han, Kai Yu, XiaoLiang Xu, Liang Wang,
- Abstract要約: 本稿では,Multi-Agent Orchestration (Generator-Evaluator), ReAct Tool-Use Loops, Memory-Augmented Interactionの3つの主要なエージェントインタラクションパラダイムの系統的解析を行う。
- 参考スコア（独自算出の注目度）: 17.155004351157093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid evolution of Large Language Model (LLM) agents has produced diverse interaction paradigms, yet few production systems integrate multiple paradigms within a unified architecture. This paper presents a systematic analysis of three principal agent interaction paradigms, including Multi-Agent Orchestration (Generator-Evaluator), ReAct Tool-Use Loops, and Memory-Augmented Interaction, as implemented in buddyMe, an open-source multi-model agent programming framework. We formalize a five-stage processing pipeline: Requirement Pre-Review -> Task Decomposition -> ReAct Execution -> Real-Execution Verification -> Adversarial Evaluation Discussion, and establish a six-dimensional evaluation schema with weighted scoring. Through four empirical case studies drawn from real-world deployment logs covering museum guide generation, scheduled weather tasks, and comprehensive tour planning, we draw three key conclusions. First, Generator-Evaluator pre-review detects requirement omissions in 20 percent of complex tasks, with 80 percent tasks passing initial inspection. Second, the ReAct loop ensures stable subtask execution but leads to around 30 percent redundant tool invocations. Third, adversarial Evaluator-Defender discussions reach consensus within 2-3 rounds for nearly 70 percent of scenarios, functioning mainly for content refinement rather than logical reversal. We additionally provide three Mermaid-based architectural diagrams and conduct cross-paradigm comparisons with CrewAI, AutoGen, LangGraph, MemGPT and A-Mem across six system dimensions. The research outcomes offer practical design guidelines for constructing stable and reliable multi-paradigm agent systems.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントの急速な進化は多様な相互作用パラダイムを生み出しているが、統一アーキテクチャに複数のパラダイムを統合する生産システムはほとんどない。
本稿では、オープンソースのマルチモデルエージェントプログラミングフレームワークである buddyMe で実装されたマルチエージェントオーケストレーション(ジェネレータ-評価器)、ReAct Tool-Use Loops 、Memory-Augmented Interaction の3つの主要なエージェントインタラクションパラダイムを体系的に分析する。
要求事前レビュー ->タスク分解 -> 実行実行 -> 実実行検証 -> 逆評価検討を行い、重み付けした6次元評価スキーマを確立する。
本研究は,博物館ガイドの作成,スケジュールされた天気予報,総合的なツアー計画を含む実世界の展開記録から得られた4つの事例研究を通じて,3つの重要な結論を導いた。
第一に、Generator-Evaluatorの事前レビューは、複雑なタスクの20%で要求の欠落を検出し、80%のタスクが初期検査に合格する。
第二に、ReActループは安定したサブタスクの実行を保証するが、約30%の冗長なツール呼び出しにつながる。
第3に、敵対的評価者とデフェンダーの議論は、約70%のシナリオで2～3ラウンドで合意に達し、主に論理的逆転ではなく、内容の洗練のために機能する。
さらに、Mermaidベースのアーキテクチャ図を3つ提供し、CrewAI、AutoGen、LangGraph、MemGPT、A-Memを6つのシステム次元で比較します。
研究成果は、安定かつ信頼性の高いマルチパラダイムエージェントシステムを構築するための実用的な設計ガイドラインを提供する。
関連論文リスト
- Agent-First Tool API: A Semantic Interface Paradigm for Enterprise AI Agent Systems [1.3259123126940986]
本稿では,ツールインタラクションを検索,解決,プレビュー,実行,検証,フェーズ回復に分解するAgent-First Tool APIパラダイムを提案する。
このパラダイムは、6つのビジネスドメインに85の登録ツールを提供する実運用マルチテナントプラットフォームで実装され、検証されている。
論文 参考訳（メタデータ） (2026-05-11T13:30:43Z) - ABSTRAL: Automatic Design of Multi-Agent Systems Through Iterative Refinement and Topology Optimization [0.033246582398800045]
本稿では,MASアーキテクチャを自然言語文書として扱うフレームワークであるABSTRALを紹介する。
固定的なターン予算の下では、アンサンブルは26%のターン効率しか達成せず、66%のタスクが限界を乗り越えている。
対照的なトレース分析は 初期設計に欠如している 専門的な役割を発見します
論文 参考訳（メタデータ） (2026-03-24T04:28:07Z) - DOVA: Deliberation-First Multi-Agent Orchestration for Autonomous Research Automation [0.0]
大規模言語モデル(LLM)エージェントは、ツールの使用、推論、コード生成において顕著な能力を示した。
3つの重要なイノベーションを取り入れたマルチエージェントプラットフォームであるDOVA(Deep Orchestrated Versatile Agent)を紹介する。
コアアルゴリズムを形式化し、7つのシステム構成にまたがるアーキテクチャアブレーション調査を行い、信頼性、ソースカバレッジ、トークン効率に答えるために各コンポーネントの貢献を分析する。
論文 参考訳（メタデータ） (2026-03-04T20:58:40Z) - MC-Search: Evaluating and Enhancing Multimodal Agentic Search with Structured Long Reasoning Chains [79.14584837105808]
MC-Searchは5つの代表的推論構造にまたがる長いステップワイドなアノテート推論チェーンを持つエージェントMM-RAGの最初のベンチマークである。
回答精度以外にも、MC-Searchは、品質、段階的検索、計画精度を推論するための新しいプロセスレベルメトリクスを導入している。
エージェントMM-RAGパイプラインを統一的に開発することにより、6つのMLLMをベンチマークし、過剰検索や過度検索、モダリティミスアライメント計画などの体系的な問題を明らかにする。
論文 参考訳（メタデータ） (2026-03-01T02:25:57Z) - AMUSE: Audio-Visual Benchmark and Alignment Framework for Agentic Multi-Speaker Understanding [73.05946667683259]
最近の大規模言語モデル(MLLM)は、強い認識を示すが、多話者、対話中心の設定に苦戦している。
本質的にエージェント的なタスクを中心に設計されたベンチマークであるAMUSEを紹介します。
我々は、報酬最適化と本質的なマルチモーダル自己評価を統合するデータ効率の高いエージェントアライメントフレームワークRAFTを提案する。
論文 参考訳（メタデータ） (2025-12-18T07:01:47Z) - A Lightweight Large Language Model-Based Multi-Agent System for 2D Frame Structural Analysis [21.13581042992661]
大規模言語モデル(LLM)は、工学における自律的エージェントの強化に最近使用されている。
本稿では、2次元フレームの有限要素モデリングを自動化するLLMベースのマルチエージェントシステムを提案する。
このシステムは10回の試行で80%以上の精度を達成し、Gemini-2.5 ProとChatGPT-4oモデルを上回っている。
論文 参考訳（メタデータ） (2025-10-06T22:12:52Z) - Flash-Searcher: Fast and Effective Web Agents via DAG-Based Parallel Execution [48.7788770680643]
Flash-Searcherは、新しい並列エージェント推論フレームワークである。
複雑なタスクを明示的な依存関係でサブタスクに分解し、独立した推論パスの同時実行を可能にする。
BrowseCompでは67.7%の精度で、xbench-DeepSearchでは83%、エージェントの実行手順は現在のフレームワークに比べて最大35%削減されている。
論文 参考訳（メタデータ） (2025-09-29T17:39:30Z) - SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling [58.05959902776133]
私たちはSingle-Passを紹介します。
Reference-Guided Evaluation (SPARE)は、効率的なステップごとのアノテーションを可能にする新しい構造化フレームワークである。
数学的推論(GSM8K, MATH)、マルチホップ質問応答(MuSiQue-Ans)、空間推論(SpaRP)にまたがる4つの多様なデータセットにおけるSPAREの有効性を実証する。
ProcessBenchでは、SPAREがデータ効率のよいアウト・オブ・ディストリビューションの一般化を実証し、トレーニングサンプルの$sim$16%しか使用していない。
論文 参考訳（メタデータ） (2025-06-18T14:37:59Z) - Boosting Virtual Agent Learning and Reasoning: A Step-Wise, Multi-Dimensional, and Generalist Reward Model with Benchmark [72.46357004059661]
Generalist Virtual Agents (GVA) は自律的なタスク実行において大きな可能性を示している。
これらの課題に対処するため,ステップワイズ多次元ジェネラリスト・リワードモデルを提案する。
同様に、エージェントトレーニング用のきめ細かい信号を提供し、推論時間スケーリングのためのより良いアクションを選択することができる。
論文 参考訳（メタデータ） (2025-03-24T13:30:47Z)
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。