論文の概要: Towards Multi-Turn Dialog Systems for Industrial Asset Operations and Maintenance
- arxiv url: http://arxiv.org/abs/2605.24953v1
- Date: Sun, 24 May 2026 09:06:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.540113
- Title: Towards Multi-Turn Dialog Systems for Industrial Asset Operations and Maintenance
- Title（参考訳）: 産業資産運用・保守のための多軸ダイアログシステムに向けて
- Authors: Chengrui Li, Rujing Li, Yitong Bai, Rui Li,
- Abstract要約: 本稿では,スーパーバイザ・スペシャリストによるマルチエージェントアーキテクチャに基づく,産業シナリオのためのマルチターンダイアログシステムを提案する。
ツールの起動ボトルネックを軽減するため、システムは構造化アーティファクトの再利用、動的リプランニング、並列ツールの実行を取り入れている。
- 参考スコア（独自算出の注目度）: 6.678860371183769
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial asset operations and maintenance question answering is inherently multi-turn, iterative, and highly dependent on external tool invocation. However, the conventional plan-execute single-agent architecture exhibits clear limitations in maintaining cross-turn context, and reusing intermediate results. In this paper, we present a multi-turn dialog system designed for industrial scenarios based on a supervisor-specialist multi-agent architecture. To alleviate tool invocation bottlenecks, the system incorporates structured artifact reuse, dynamic replanning, and parallel tool execution. Evaluation results show that our system achieves better response quality compared with the baseline, with planning effectiveness increasing by 54.5% and task completion improving by 37.8%. System profiling further shows that cross-turn artifact reuse effectively reduces redundant tool invocation, decreasing the tool-time share from 47.3% to 26.3% and making turns 2-5 approximately 4.2x faster than the first turn.
- Abstract（参考訳）: 産業資産運用と保守質問応答は本質的にマルチターンであり、反復的であり、外部ツールの実行に大きく依存している。
しかし、従来の計画実行シングルエージェントアーキテクチャは、クロスターンコンテキストの維持と中間結果の再利用に明確な制限がある。
本稿では,産業シナリオを対象としたマルチターンダイアログシステムを提案する。
ツールの起動ボトルネックを軽減するため、システムは構造化アーティファクトの再利用、動的リプランニング、並列ツールの実行を取り入れている。
評価の結果,本システムはベースラインよりも優れた応答品質を達成でき,計画の有効性は54.5%向上し,タスク完了率は37.8%向上した。
システムプロファイリングにより、クロスターンアーティファクトの再利用は、冗長なツールの実行を効果的に減らし、ツールタイムのシェアを47.3%から26.3%に減らし、2-5ターンを1ターンより約4.2倍速くする。
関連論文リスト
- Multi-Paradigm Agent Interaction in Practice:A Systematic Analysis of Generator-Evaluator, ReAct Loop,and Adversarial Evaluation in the buddyMe Framework [17.155004351157093]
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。
論文 参考訳（メタデータ） (2026-05-16T05:35:50Z) - TIR-Agent: Training an Explorative and Efficient Agent for Image Restoration [25.116475029653884]
TIR-Agentは、2段階のトレーニングパイプラインを通じて直接ツールコールポリシーを実行する訓練可能なイメージ復元エージェントである。
i) SFTデータに適用されたランダムな摂動戦略により、タスクスケジュールやツール構成に対するポリシーの探索を拡大し、(ii)ハッキングに対して動的に不均一な画像品質メトリクスを再重み付けする多次元適応報酬機構である。
論文 参考訳（メタデータ） (2026-03-29T15:50:36Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z) - Multi-Agent Collaborative Framework for Intelligent IT Operations: An AOI System with Context-Aware Compression and Dynamic Task Scheduling [0.0]
クラウドネイティブアーキテクチャは、現代的なITインフラストラクチャを極めて複雑で不安定なものにしています。
我々は,3つの専門エージェントとLLMベースのコンテキスト操作を統合する,新しいマルチエージェント協調フレームワークであるAOI(AI-Oriented Operations)を提案する。
論文 参考訳（メタデータ） (2025-12-15T23:22:02Z) - Dynamic System Instructions and Tool Exposure for Efficient Agentic LLMs [1.2691047660244335]
大きな言語モデル(LLM)エージェントは、長いシステム命令と大きなツールカタログを毎回繰り返しながら、多くのステップで実行されることが多い。
Instruction-Tool Retrieval (ITR)は,段階ごとに最小限のシステムプロンプトフラグメントと最小限のツールサブセットを検索するRAG変異体である。
ITRはステップ単位のコンテキストトークンを95%削減し、適切なツールルーティングを32%改善し、エンドツーエンドのエピソードコストをモノリシックベースラインに対して70%削減する。
論文 参考訳（メタデータ） (2025-12-01T06:43:43Z) - VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。
我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。
モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
論文 参考訳（メタデータ） (2025-09-01T01:45:18Z) - Patchwork: A Unified Framework for RAG Serving [6.430565435912026]
Retrieval Augmented Generation (RAG) は、外部知識ソースとの統合による大規模言語モデルの信頼性向上のための新しいパラダイムとして登場した。
Patchworkは、これらの効率のボトルネックに対処するために設計された、包括的なエンドツーエンドのRAGサービスフレームワークです。
論文 参考訳（メタデータ） (2025-05-01T18:58:26Z) - Acting Less is Reasoning More! Teaching Model to Act Efficiently [87.28134636548705]
ツール統合推論は、タスクを解決するために外部ツールを呼び出す機能によって、大きな言語モデルを拡張します。
現在のアプローチは、外部ツールの使用効率や必要性を考慮せずに、最終的な正確性のためにのみ最適化されている。
最小限のツールコールで正確な回答をモデルに提示するフレームワークを提案する。
このアプローチでは,ツールコールを最大68.3%削減し,ツールの生産性を最大215.4%向上すると同時に,同等の回答精度を維持している。
論文 参考訳（メタデータ） (2025-04-21T05:40:05Z)
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。