論文の概要: Agents All the Way Down; A Methodology for Building Custom AI Agents from Substrate to Production

• arxiv url: http://arxiv.org/abs/2606.11869v1
• Date: Wed, 10 Jun 2026 09:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.39764
• Title: Agents All the Way Down; A Methodology for Building Custom AI Agents from Substrate to Production
• Title（参考訳）: エージェントは下方へ; 基板から生産まで、カスタムAIエージェントを構築するための方法論
• Authors: Marc Alier Forment, Juanan Pereira, Francisco José García-Peñalvo, María José Casañ Guerrero,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0499611180329804
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Custom AI agents areagents that live inside their own application, talk to their own data and tools, enforce their own security boundaries, and carry their own brand and audit trail. What separates them from the general-purpose tier is fit, not capability: each is built for one job, by the engineer who will maintain it. No published practice sets out how to build one end to end. The pieces are everywhere (function-calling APIs, the Model Context Protocol, code agents to pair with), but the practice that chains them lives in podcasts, blogs, and leaked system prompts. This paper writes that practice down as a methodology, Agents All the Way Down: two preconditions crossed once and kept, then three practices repeated for the agent's life. The preconditions are (P1) Substrate, the LLM as a software component, framed as tools, then system, then messages under prompt-caching; and (P2) Building blocks: function calling, MCP, CLI orchestration, the liteshell pattern, the agent loop, skills, characters, hooks, and scaffolding. The practices are (P3) prototype with a general-purpose agent; (P4) harvest, fold, and ship the result as a CLI, the Turtle pattern; and (P5) agent-tests-agent, in which a general-purpose agent drives it through behavioural scenarios, a complement to classical testing, not a replacement. The working loop is P3 to P4 to P5 and back, and one corollary falls out for free: multi-agent orchestration is just CLI composition. The methodology is framework-free by construction. It was distilled from the AAC, a custom agent for the open-source LAMB platform, built in about ten days by one developer with an AI pair-programmer and in production . We present it as a transferable practice, independent of any language or framework.
• Abstract（参考訳）: 独自のアプリケーション内に住み、自身のデータやツールと対話し、独自のセキュリティ境界を強制し、独自のブランドと監査証跡を保有する、カスタムAIエージェントのエリアジェント。 それらを汎用的な層から切り離すものは、機能ではなく、適合している。それぞれが1つのジョブのために構築され、メンテナンスするエンジニアによって行われる。 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。 部品はどこにでもある(関数呼び出しAPI、Model Context Protocol、ペアのコードエージェント)が、それらをチェーンするプラクティスはポッドキャスト、ブログ、漏洩したシステムプロンプトにある。 本稿では,「エージェント・オール・ザ・ウェイ・ダウン(エージェント・オール・ウェイ・ダウン)」の方法論としての実践について述べる。 事前条件は (P1) Substrate, LLM as a software component, framed as tools, then system, then message under prompt-caching; and (P2) Building blocks: function call, MCP, CLI Orchestra, the liteshell pattern, the agent loop, skills, character, hooks, and scaffolding。 プラクティスは(P3) 汎用エージェントを備えたプロトタイプ、(P4) 収穫、折り畳み、結果をCLI、(P5) エージェントテストエージェントとして出荷する。 作業ループはP3からP4からP5とバックで,ひとつは無償で提供される。 この手法はフレームワークなしで構築できる。 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から抽出されたもので、AIペアプログラマと実運用環境で1人の開発者が約10日で構築したものだ。 どのような言語やフレームワークにも依存せず、移行可能なプラクティスとして提示します。

関連論文リスト

• Interpretable Context Methodology: Folder Structure as Agentic Architecture [0.0]
  AIエージェントオーケストレーションに対する現在のアプローチは、典型的には、コンテクストパッシング、メモリ、エラーハンドリング、コードによるステップ調整を管理するマルチエージェントフレームワークの構築を含む。 本稿では,フレームワークレベルのオーケストレーションを構造に置き換える手法である Model Workspace Protocol (MWP) を提案する。 平易なマークダウンファイルには、ひとつのAIエージェントに各ステップでどのような役割を果たすべきかを伝えるプロンプトとコンテキストがある。ローカルスクリプトは、AIをまったく必要としない機械的な作業を処理する。
  論文  参考訳（メタデータ） (2026-03-17T00:03:23Z)
• Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
  大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。 その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。 本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
  論文  参考訳（メタデータ） (2025-08-28T13:00:28Z)
• 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)
• AutoGen Studio: A No-Code Developer Tool for Building and Debugging Multi-Agent Systems [31.113305753414913]
  ATOGEN STUDIOは、マルチエージェントシステムを迅速にプロトタイピングするためのノーコード開発ツールである。 エージェント仕様のための直感的なドラッグ&ドロップUI、インタラクティブな評価、再利用可能なエージェントコンポーネントのギャラリーを提供する。
  論文  参考訳（メタデータ） (2024-08-09T03:27:37Z)
• 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)
• 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。