論文の概要: Watts and Debts of Agentic Frameworks: An Empirical Study (Registered Report)
- arxiv url: http://arxiv.org/abs/2606.10702v1
- Date: Tue, 09 Jun 2026 11:03:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.020987
- Title: Watts and Debts of Agentic Frameworks: An Empirical Study (Registered Report)
- Title（参考訳）: エージェント・フレームワークのWattsと負債:実証的研究(登録報告)
- Authors: Aneetta Sara Shany, Chandrasekar S, Karthik Vaidhyanathan,
- Abstract要約: 自己充足型技術的負債(SATD)とハードウェアレベルのランタイムエネルギー消費について検討する。
自動ソースコード解析が、エネルギー効率のよいフレームワーク選択のための信頼性の高い早期警告プロキシとして機能するかどうかを判断する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context: Every agentic AI system shipped to production carries two hidden risks: accumulated Technical Debt (TD) and unmonitored runtime energy costs. While functional benchmarking is common, the empirical link between internal structural quality (specifically TD) and dynamic energy consumption during execution remains unexplored, creating a blind spot for practitioners and organizations managing sustainability and operational budgets at scale. Goal: We propose a confirmatory empirical study correlating Self-Admitted Technical Debt (SATD) with hardware-level runtime energy consumption across agentic frameworks, to determine whether code quality can drive energy-aware design decisions. Method: We will evaluate five open-source agentic frameworks by executing a standardized task suite in a strictly controlled environment. SATD will be extracted via automated Python-based comment mining and categorized via LLM-based classification using fine-tuned prompt, while runtime energy will be measured at the hardware level. Our study will investigate three core research questions: (RQ1) the presence of TD within these frameworks; (RQ2) the variance in runtime energy consumption across architectures; and (RQ3) the statistical correlation between a framework's TD and its task-level energy consumption. Conclusion: The findings will establish whether automated source code analysis can serve as a reliable, early-warning proxy for energy-efficient framework selection, thereby advancing both green software engineering and agentic AI quality research.
- Abstract（参考訳）: コンテキスト: 製品に出荷されるエージェントAIシステムには、累積技術的負債(TD)と監視されない実行時エネルギーコストという、2つの隠れたリスクがあります。
機能的ベンチマークは一般的であるが、内部構造的品質(特にTD)と実行中の動的エネルギー消費との実証的なつながりは未解明のままであり、持続可能性と運用予算を大規模に管理する実践者や組織にとって盲点となっている。
Goal: エージェントフレームワーク間でのハードウェアレベルのランタイムエネルギー消費とSATD(Self-Admitted Technical Debt)に関連する実証実験を行い、コード品質がエネルギーを意識した設計決定を導出できるかどうかを判断する。
方法: 厳格に制御された環境で標準化されたタスクスイートを実行することにより, 5つのオープンソースエージェントフレームワークを評価する。
SATDはPythonベースの自動コメントマイニングによって抽出され、細調整されたプロンプトを使用してLLMベースの分類によって分類される。
本研究は,(RQ1) フレームワーク内のTDの存在,(RQ2) アーキテクチャ間の実行時エネルギー消費のばらつき,(RQ3) フレームワークのTDとタスクレベルのエネルギー消費の統計的相関について検討する。
結論: この発見は、自動化されたソースコード分析がエネルギー効率の高いフレームワーク選択のための信頼性の高い早期警告プロキシとして機能し、グリーンソフトウェアエンジニアリングとエージェントAI品質研究の両方を前進させるかどうかを確定する。
関連論文リスト
- DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning [58.09293442211248]
Deep Research(DR)は、複雑でオープンな研究課題に取り組むための新しいエージェントパラダイムとして登場した。
本稿では,Qianfan Agent Foundry上に構築されたマルチエージェントDRフレームワークであるDuMate-DeepResearchを紹介する。
論文 参考訳（メタデータ） (2026-06-05T14:10:48Z) - Energy per Successful Goal: Goal-Level Energy Accounting for Agentic AI Systems [0.6338178373376447]
現在のAIエネルギベンチマークは、単一のモデル呼び出しやトレーニング実行の粒度で消費を測定する。
A-LEMS(A-LEMS)は、AIエネルギーの単位を再定義し、推論毎のエネルギーから成功目標毎のエネルギー(EpG)へ変換する。
EpGは、失敗やリトライを含むすべての実行試行にまたがってワークフロー全体のエネルギを集約する。
論文 参考訳（メタデータ） (2026-05-20T22:55:19Z) - Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing [54.4933359656657]
本研究は,ランクアウェア交渉に基づくエッジAI駆動型分散タスク割り当てフレームワークを提案する。
ランキング対応の定式化は、最終的に学習目標を再認識し、勝者選択の順序付けに基づく性質に適合する。
その結果, 高負荷下での遅延および期限順守が向上し, より厳密な制約下でのエネルギー効率が向上した。
論文 参考訳（メタデータ） (2026-05-14T20:38:25Z) - EnCoDe: Energy Estimation of Source Code At Design-Time [0.0]
エネルギー効率はソフトウェア品質の重要な属性として現れており、環境の持続可能性と運用コストの両方に重大な影響を及ぼす。
既存のプロファイリングツールは実行時にのみ動作し、通常はプロセスやメソッドレベルでエネルギーを捕捉する。
本研究では,詳細な設計時エネルギー推定手法であるEnCoDeを提案する。
論文 参考訳（メタデータ） (2026-05-01T08:30:36Z) - Towards Energy-aware Requirements Dependency Classification: Knowledge-Graph vs. Vector-Retrieval Augmented Inference with SLMs [0.3499870393443268]
持続可能な要求工学のために、SLM(Small Language Models)やエネルギーを意識したアーキテクチャへ移行する必要性がますます高まっている。
本研究では、知識グラフに基づく検索(KGR)とベクトルに基づくセマンティック検索(VSR)を比較して、SLMに基づく推論を強化するエネルギー認識フレームワークを提案し、実証的に評価する。
論文 参考訳（メタデータ） (2026-03-25T05:29:36Z) - MARS: Modular Agent with Reflective Search for Automated AI Research [48.54202614558741]
我々は自律型AI研究に最適化されたフレームワークMARSを紹介する。
MARSは,(1)コストを意識したモンテカルロ木探索(MCTS)による予算計画(Budget-Aware Planning)による実行コストとパフォーマンスを明示的にバランスさせる),(2)複雑なリポジトリを管理するために"Design-Decompose-Implement"パイプラインを使用するモジュール構成,(3)ソリューションの違いを分析して高信号の洞察を抽出することで,与信の割り当てに対処する反射記憶(Reference Reflective Memory)という3つの柱に依存している。
論文 参考訳（メタデータ） (2026-02-02T19:00:03Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - 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) - Smart but Costly? Benchmarking LLMs on Functional Accuracy and Energy Efficiency [5.771786260272727]
我々は、エネルギー効率と機能的正当性の統一的なスケールでコード言語モデルのベンチマークを行うためのフレームワークBRACEを提案する。
同心性漸進的レーティングサークル(CIRC)と予測レーティング(OTER)の2つの評価手法を提案する。
我々の分析では、文法ベースで構文的に正しい出力を生成するように強制されないため、コード要約タスクにおいて、一般的にモデルの性能が向上することを明らかにした。
論文 参考訳（メタデータ） (2025-11-10T23:44:48Z) - Metrics and evaluations for computational and sustainable AI efficiency [26.52588349722099]
現在のアプローチでは全体像の提供に失敗し、システムの比較と最適化が難しい。
本稿では,計算および環境メトリクスを統合するAIモデル推論のための統一的再現可能な方法論を提案する。
本フレームワークは, 遅延を系統的に測定し, スループット, エネルギー消費, 位置調整二酸化炭素排出量を計測することにより, 実用的で炭素を意識した評価を行う。
論文 参考訳（メタデータ） (2025-10-18T03:30:15Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。