論文の概要: Designing Agent-Ready Websites for AI Web Agents: A Framework for Machine Readability, Actionability, and Decision Reliability
- arxiv url: http://arxiv.org/abs/2607.12056v1
- Date: Mon, 13 Jul 2026 18:16:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:29.931572
- Title: Designing Agent-Ready Websites for AI Web Agents: A Framework for Machine Readability, Actionability, and Decision Reliability
- Title（参考訳）: AI Webエージェントのためのエージェント対応Webサイトの設計: マシン可読性、アクション可能性、決定信頼性のためのフレームワーク
- Abstract要約: 本稿では,AIエージェントのための電子商取引プラットフォームの可読性,解釈可能性,妥当性,動作性を高めるための設計フレームワークであるエージェント可読Webサイトを紹介する。
このフレームワークは、人間指向のベースラインと同一ウェブサイトプロトタイプのエージェント対応バージョンを比較する制御実験により評価される。
- 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: Online shopping is increasingly shifting toward a model in which AI agents independently search for products, compare options, evaluate constraints, and carry out parts of the purchasing process for users. Website design must now support both human and agent-mediated interaction. This paper introduces the agent-ready website, a design framework for enhancing the readability, interpretability, verifiability, and actionability of e-commerce platforms for AI agents. Existing web design, SEO, and generative engine optimization (GEO) metrics do not fully assess a website's capacity for agent-mediated interaction. The proposed framework is structured around three dimensions agent interpretability, agent executability, and agent decision reliability supported by features such as machine readability, semantic clarity, agent actionability, and contextual decision-reliability signals. The framework is evaluated through a controlled experiment comparing a human-oriented baseline and an agent-ready version of an identical website prototype, with identical catalogs, pricing, stock, and shopping workflows. The evaluation involved five tasks, three browser-agent models (GPT-4.1, Gemini-2.5 Flash, and Grok-4 Fast), and 300 runs, measuring PASS,PARTIAL,FAIL outcomes, strict and functional success rates, error patterns, step counts, and token consumption. The agent-ready website achieved 134 PASS runs out of 150 versus 74 out of 150 for the baseline (strict success rates of 89.3% vs. 49.3%), with the largest gains in product detail extraction, comparison, and multi-constraint selection. It also reduced PARTIAL outcomes from 43 to 3 and lowered the average step count from 9.31 to 6.49. These results provide preliminary evidence that enhanced structural clarity, action cues, evidence signals, and temporal validity indicators can substantially improve the reliability and efficiency of AI browser agents.
- Abstract（参考訳）: オンラインショッピングは、AIエージェントが独立して製品を探し、選択肢を比較し、制約を評価し、ユーザーの購入プロセスの一部を実行するモデルへとシフトしつつある。
ウェブサイトのデザインは、人間とエージェントによるインタラクションの両方をサポートする必要がある。
本稿では,AIエージェントのための電子商取引プラットフォームの可読性,解釈可能性,妥当性,動作性を高めるための設計フレームワークであるエージェント可読Webサイトを紹介する。
既存のWeb設計、SEO、ジェネレーティブエンジン最適化(GEO)メトリクスは、エージェントによるインタラクションに対するWebサイトの能力を完全に評価するものではない。
提案するフレームワークは,3次元のエージェント解釈可能性,エージェント実行可能性,エージェント決定信頼性を,機械可読性,セマンティック明確性,エージェント動作性,コンテキスト的決定信頼性といった特徴によって構成する。
このフレームワークは、人間指向のベースラインと同一ウェブサイトプロトタイプのエージェント対応バージョンを比較し、同じカタログ、価格、在庫、ショッピングワークフローを比較検討することで評価される。
評価には5つのタスク、3つのブラウザエージェントモデル(GPT-4.1、Gemini-2.5 Flash、Grok-4 Fast)と300回の実行、PASS、PARTIAL、FAILの結果、厳密で機能的な成功率、エラーパターン、ステップ数、トークン消費が含まれていた。
エージェント対応のウェブサイトは150点中74点中134点中150点中74点中134点(89.3%対49.3%)を達成した。
また、部分的な結果を43から3に減らし、平均ステップ数を9.31から6.49に下げた。
これらの結果は、構造的明確性、アクションキュー、エビデンス信号、時間的妥当性指標がAIブラウザエージェントの信頼性と効率を大幅に改善できるという予備的証拠を提供する。
関連論文リスト
- Building Customer Support AI Agents at 100M-User Scale: An Evaluation-Driven Framework [2.29541210878158]
我々は,NubankのカスタマーサポートAIエージェントに対して,オフライン開発とオンライン影響を橋渡しする統合フレームワークを提案する。
中心的な洞察は、評価パイプラインの品質がイテレーションのベロシティを直接決定することです。
ほとんどのユースケースでは、AIの満足度は専門家の人間エージェントの数パーセント以内に達します。
論文 参考訳（メタデータ） (2026-06-07T22:44:00Z) - MetaCogAgent: A Metacognitive Multi-Agent LLM Framework with Self-Aware Task Delegation [11.486913474115402]
本稿では,メタ認知自己評価ユニットを備えた多エージェント大規模言語モデル(LLM)フレームワークであるMetaCogAgentを提案する。
MetaCogAgentは、AutoGenよりも5%少ないAPIコールを使用し、アンサンブル投票よりも34%少ないタスク精度を82.4%達成している。
論文 参考訳（メタデータ） (2026-05-17T07:12:04Z) - 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) - It's a TRAP! Task-Redirecting Agent Persuasion Benchmark for Web Agents [52.81924177620322]
大規模な言語モデルを利用したWebベースのエージェントは、メール管理やプロフェッショナルネットワーキングといったタスクにますます利用されている。
動的Webコンテンツへの依存は、インジェクション攻撃の引き金に弱い: インターフェース要素に隠された敵対的命令は、エージェントが元のタスクから逸脱するように説得する。
本稿では,タスクリダイレクトエージェントの説得ベンチマーク(TRAP)について紹介する。
論文 参考訳（メタデータ） (2025-12-29T01:09:10Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Automated Composition of Agents: A Knapsack Approach for Agentic Component Selection [13.071959527010245]
我々は,knapsack問題に触発されたエージェントシステム構成のための構造化された自動フレームワークを提案する。
本手法は,エージェントシステムの構築を効率化し,資源のスケーラブルな再利用を容易にする。
論文 参考訳（メタデータ） (2025-10-18T13:37:47Z) - How can we assess human-agent interactions? Case studies in software agent design [52.953425368394306]
我々は,人間とエージェントの相互作用の厳密な評価に向けて,二つの大きな一歩を踏み出した。
エージェント設計のより効率的な人間中心評価のためのフレームワークであるPULSEを提案する。
私たちは、オープンソースのソフトウェアエージェントOpenHandsを中心に構築された大規模なWebプラットフォームにフレームワークをデプロイします。
論文 参考訳（メタデータ） (2025-10-10T19:04:28Z) - Open Agent Specification (Agent Spec): A Unified Representation for AI Agents [10.685555728094338]
我々はAIエージェントとエージェントを定義する宣言型言語Open Agent Specification(Agent Spec)を紹介する。
Agent Specは、コンポーネント、コントロールとデータフローのセマンティクス、スキーマの共通セットを定義し、エージェントを一度定義し、異なるランタイム間で実行できるようにする。
論文 参考訳（メタデータ） (2025-10-05T12:26:42Z) - MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。
提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。
その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-08-13T19:14:48Z) - An Illusion of Progress? Assessing the Current State of Web Agents [61.742657650092845]
我々は,Webエージェントの現状を包括的かつ厳密に評価する。
結果は、現在のエージェントの能力の非常に異なる描写を描いており、以前報告された結果に過度に最適化されていることを示唆している。
オンライン評価ベンチマークであるOnline-Mind2Webを紹介した。
論文 参考訳（メタデータ） (2025-04-02T05:51:29Z) - Agent-as-a-Judge: Evaluate Agents with Agents [61.33974108405561]
本稿ではエージェント・アズ・ア・ジャッジ(Agent-as-a-Judge)フレームワークを紹介し,エージェント・システムを用いてエージェント・システムの評価を行う。
これはLLM-as-a-Judgeフレームワークの有機的拡張であり、タスク解決プロセス全体の中間フィードバックを可能にするエージェント的特徴を取り入れている。
55のリアルな自動化AI開発タスクのベンチマークであるDevAIを紹介します。
論文 参考訳（メタデータ） (2024-10-14T17:57:02Z)
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。