論文の概要: Learning to Construct Practical Agentic Systems

• arxiv url: http://arxiv.org/abs/2606.00189v1
• Date: Fri, 29 May 2026 16:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.096059
• Title: Learning to Construct Practical Agentic Systems
• Title（参考訳）: 実用的なエージェントシステムを構築するための学習
• Abstract要約: フィールド化されたエージェントシステムの研究により、生産システムはより単純さ、制御可能性、推論コストの予測可能性といった問題に重点を置いていることが示されている。 エージェントシステムにおいて,設計者がモジュール性を強制できるエージェントフレームワークについて述べる。
• 参考スコア（独自算出の注目度）: 23.70604962978331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated design and optimization of agentic LLM-based systems leads to sophisticated systems that substantially improve result quality over off-the-shelf agentic patterns. However, studies of fielded agentic systems show that production systems focus much more on issues such as simplicity, controllability, and predictability of inference costs. In this paper we propose principled approaches to designing and optimizing practical agentic systems. We describe an agent framework that enables designers to enforce modularity in agentic systems, by defining "pseudo-tools" that call LLMs recursively on a restricted context. Using this framework we hand-engineer agents for a diverse set of tasks, and show that relative to dynamically-planned workflows, hand-constructed fixed workflows are generally cheaper and more accurate. We then propose novel learning methods for the agentic components required by this framework, namely pseudo-tools and fixed workflows. These learning methods generally outperform hand-engineered agents. We also exploit the modularity of the framework to apply multi-objective optimization methods to jointly optimize cost and response quality and blend the results of multiple learning systems.
• Abstract（参考訳）: エージェントLLMベースのシステムの自動設計と最適化は、市販のエージェントパターンよりも結果品質を大幅に改善する高度なシステムをもたらす。 しかし、フィールド化されたエージェントシステムの研究により、生産システムはより単純さ、制御可能性、予測可能性といった問題に焦点を絞っていることが示されている。 本稿では,実用的なエージェントシステムの設計と最適化のための原則的アプローチを提案する。 本稿では, LLM を制約付きコンテキストで再帰的に呼び出す "擬似ツール" を定義することによって, エージェントシステムにおけるモジュール性の実現を可能にするエージェントフレームワークについて述べる。 このフレームワークを使用すると、ハンドエンジニアリングエージェントがさまざまなタスクを処理し、動的に計画されたワークフローと比較して、手作りの固定ワークフローは一般的に安価で正確であることを示す。 次に,本フレームワークが必要とするエージェントコンポーネント,すなわち擬似ツールと固定ワークフローに対して,新しい学習手法を提案する。 これらの学習方法は一般的に手書きのエージェントよりも優れている。 また,フレームワークのモジュラリティを活用して,コストと応答品質を協調的に最適化し,複数の学習システムの結果をブレンドする多目的最適化手法を提案する。

関連論文リスト

• AgentFactory: Towards Automated Agentic System Design and Optimization [19.84664549514199]
  AgentFactoryは、エージェントシステムの基盤モデルとワークフロー構造を共同で最適化するフレームワークである。 我々は、一般的な推論、コーディング、数学、医学、ファイナンスを含む5つの領域にまたがる8つのベンチマークでAgenFactoryを評価した。 我々の実験は、AgentFactoryが手作業で設計した手法と既存の自動化アプローチの両方を一貫して上回っていることを示した。
  論文  参考訳（メタデータ） (2026-09-01T10:45:11Z)
• EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
  強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。 EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。 さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
  論文  参考訳（メタデータ） (2026-08-05T08:50:36Z)
• From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents [90.3279207163486]
  EvoSOPは、エージェントが実行軌跡からSOPを抽出し、反復的にツールセットを最適化することを可能にするフレームワークである。 EvoSOPはタスク成功率を大幅に向上し,インタラクションラウンドの回数を大幅に削減することを示す。
  論文  参考訳（メタデータ） (2026-07-08T12:09:49Z)
• Optimizing Service Operations via LLM-Powered Multi-Agent Simulation [1.2997358113120427]
  サービス操作を最適化するためのLLMを用いたマルチエージェントシミュレーションフレームワークを提案する。 我々は、決定に依存した不確実性を伴う最適化として問題を提起する。 本研究では,1つのシミュレーション実行時にゼロ階勾配推定を同時に構築し,定常状態性能を最適化するための設計パラメータを更新する軌道学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-04-06T03:14:33Z)
• A Systematic Study of LLM-Based Architectures for Automated Patching [7.9821766277253845]
  本研究では,4つの大規模言語モデル (LLM) に基づくパッチ処理パラダイムの制御評価を行う。 実際の脆弱性タスクにおけるパッチの正確性、障害モード、トークン使用量、実行時間を分析します。 固定は効率的だが脆く、単一エージェントシステムは柔軟性とコストのバランスを保ち、マルチエージェント設計はオーバーヘッドを大幅に上回るコストを犠牲にして改善される。
  論文  参考訳（メタデータ） (2026-03-01T20:26:22Z)
• Monadic Context Engineering [59.95390010097654]
  本稿では,エージェント設計の正式な基盤を提供するために,モナディックコンテキストエンジニアリング(MCE)を紹介する。 我々は、モナドがロバストなコンポジションをどのように実現し、Applicativesが並列実行に原則化された構造を提供し、また、モナドトランスフォーマーがこれらの機能の体系的なコンポジションをどのように可能にしているかを実証する。 この階層化されたアプローチにより、開発者は、単純で独立した検証可能なコンポーネントから、複雑でレジリエントで効率的なAIエージェントを構築することができる。
  論文  参考訳（メタデータ） (2025-12-27T01:52:06Z)
• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
  Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。 Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T09:46:50Z)
• Improving Retrospective Language Agents via Joint Policy Gradient Optimization [57.35348425288859]
  RetroActは、言語エージェントのタスク計画と自己反射進化機能を共同で最適化するフレームワークである。 模倣学習と強化学習を統合した2段階共同最適化プロセスを開発した。 RetroActはタスクのパフォーマンスと意思決定プロセスを大幅に改善しています。
  論文  参考訳（メタデータ） (2025-03-03T12:54:54Z)
• Towards more Contextual Agents: An extractor-Generator Optimization Framework [0.0]
  LLM(Large Language Model)ベースのエージェントは、幅広い汎用アプリケーションにわたる複雑なタスクの解決に顕著な成功を収めている。 しかしながら、それらのパフォーマンスは、専門産業や研究領域のようなコンテキスト固有のシナリオで劣化することが多い。 この課題に対処するため,本研究では,LLMエージェントの文脈適応性を高めるための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-18T15:07:06Z)
• A Multi-AI Agent System for Autonomous Optimization of Agentic AI Solutions via Iterative Refinement and LLM-Driven Feedback Loops [3.729242965449096]
  本稿では,産業間におけるエージェントAIソリューションを自律的に最適化するフレームワークを提案する。 このフレームワークは、仮説を自律的に生成し、テストすることで、人間の入力なしに最適な性能を達成する。 ケーススタディでは、アウトプットの品質、妥当性、動作性が大幅に改善された。
  論文  参考訳（メタデータ） (2024-12-22T20:08:04Z)
• Collaboration Dynamics and Reliability Challenges of Multi-Agent LLM Systems in Finite Element Analysis [3.437656066916039]
  インターエイジェントダイナミクスが推論の品質と信頼性にどのように影響するかは、まだ不明である。 線形弾性有限要素解析(FEA)のためのAutoGenベースのマルチエージェントフレームワークを用いたこれらのメカニズムについて検討する。 1,120のコントロールされたトライアルから、コラボレーションの有効性は、チームのサイズよりも機能的な相補性に依存することが分かりました。
  論文  参考訳（メタデータ） (2024-08-23T23:11:08Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。