論文の概要: How to Realize Recursively Self-Improving Agents and Personal Singularity: A Goal-, Scope-, Tool-, and Benchmark-Driven Multi-Agent Architecture
- arxiv url: http://arxiv.org/abs/2607.12254v1
- Date: Tue, 14 Jul 2026 01:44:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.006355
- Title: How to Realize Recursively Self-Improving Agents and Personal Singularity: A Goal-, Scope-, Tool-, and Benchmark-Driven Multi-Agent Architecture
- Title（参考訳）: 繰り返し自己改善エージェントと個人特異性を実現する方法:目標、スコープ、ツール、ベンチマーク駆動マルチエージェントアーキテクチャ
- Abstract要約: 大規模言語モデル(LLM)エージェントは、より計画し、ツールを使用し、メモリを保守し、長い水平タスクを実行することができる。
エージェントは学習と行動のメカニズムをどのように改善し、その改善はユーザの耐久性を高めることができるのか?
本稿では,自己改善エージェントのための支配型マルチエージェントアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 1.7259824817932294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) agents can increasingly plan, use tools, maintain memory, and execute long-horizon tasks. These advances motivate two linked questions: how can an agent improve the mechanisms by which it learns and acts, and how can that improvement increase the durable capabilities of its user rather than only the software itself? This paper proposes a governed multi-agent architecture for recursively self-improving agents and introduces personal singularity as a bounded human-AI co-development objective: helping a user approach an expanding, user-defined capability frontier across selected domains. Each agent is defined by a goal contract, bounded scope, validated tool registry, tool-level tests, end-to-end benchmarks, an owner-controlled autonomy policy, a routing policy, memory, and an improvement policy. Out-of-scope tasks are transferred to another accountable agent or to a newly created niche agent. A user-facing Auto-Index selects interactive, hybrid, autonomous, or scheduled operation without overriding external permissions. The architecture combines a fast planner-executor-verifier loop, a slower evidence-gated improvement loop, an external governance plane, decentralized agent lineages, an owner-directed agent foundry, and a Personal Singularity OS coordinating working, computational-imaging, process-learning, and personal-learning agents. We formalize scope, routing, improvement acceptance, bounded goal evolution, tool-first execution, and human capability transfer, and provide safety invariants, benchmark design, and an implementation roadmap. This is a position and systems-design paper, not evidence that unrestricted recursive self-improvement or personal singularity has already been achieved.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、より計画し、ツールを使用し、メモリを保守し、長い水平タスクを実行することができる。
これらの進歩は、エージェントが学習し、行動するメカニズムをどのように改善できるか、そして、その改善は、ソフトウェア自体よりも、ユーザの耐久性を高めることができるのか、という2つの関連した質問を動機付けている。
本稿では、再帰的に自己改善するエージェントのための管理されたマルチエージェントアーキテクチャを提案し、ユーザによって選択されたドメイン間の拡張されたユーザ定義能力フロンティアへのアプローチを支援する、有界な人間-AI共同開発目標として個人特異性を導入する。
各エージェントは、目標コントラクト、境界スコープ、検証済みツールレジストリ、ツールレベルテスト、エンドツーエンドベンチマーク、オーナがコントロールする自律性ポリシ、ルーティングポリシ、メモリ、改善ポリシによって定義される。
スコープ外のタスクは、別の説明可能なエージェントや新しく作成されたニッチエージェントに転送される。
ユーザ対応のAuto-Indexは、外部権限をオーバーライドすることなく、インタラクティブ、ハイブリッド、自律、スケジュールされた操作を選択する。
このアーキテクチャは、高速プランナー・エグゼクタ・検証ループ、遅いエビデンス・ゲート改善ループ、外部ガバナンスプレーン、分散エージェント系統、オーナ指向エージェントファウントリー、および作業、計算画像、プロセス学習、個人学習エージェントをコーディネートするPersonal Singularity OSを組み合わせる。
私たちは、スコープ、ルーティング、改善の受け入れ、限定されたゴールの進化、ツールファーストの実行、ヒューマン機能移行を形式化し、安全性の不変性、ベンチマーク設計、実装ロードマップを提供します。
これは位置とシステム設計の論文であり、制限のない再帰的自己改善や個人的特異性はすでに達成されているという証拠ではない。
関連論文リスト
- ComBodied Agents: a New Paradigm of Human-Centric Agentic AI [121.60938707072069]
我々は、人間中心のパラダイムであるCombodied Agentsを紹介し、時間とともに個々の人間状態の軌跡を知覚し、モデル化し、予測し、支援する。
パーソナルアシスタント、ヘルスエージェント、AIコンパニオン、適応型ヒューマンAIシステムをクローズドループに統合する。
論文 参考訳（メタデータ） (2026-08-11T13:35:58Z) - SBCO: Self-Supervised, Verifier-Grounded Harness Optimization For Planning Agents [8.206010431605044]
自己改善エージェントは、AIシステムの背後にあるヒューマンエンジニアリングの労力を削減し、時間とともにパフォーマンスを進化させ、自己改善することを目指している。
我々は,Gdel-machine法と同等の閉ループの検証器付きハーネスであるSBCOを導入するが,自己参照ではなく自己監視する。
論文 参考訳（メタデータ） (2026-08-10T19:25:59Z) - From Knowing to Acting: Benchmarking Self-Awareness Capability of LLM Agents [69.07911499189129]
エージェントのメタ認知判断(Knowing)を自発的実行(Acting)から切り離して認知行動アライメントを評価するフレームワークであるKAPROを紹介する。
実験の結果,自己認識能力はタスク成功と強く相関するが,内部能力設定では著しく低下することがわかった。
プロプライエタリで推論指向のモデルは、より信頼性の高い認知ゲーティングを示します。
論文 参考訳（メタデータ） (2026-06-09T17:17:08Z) - AutoAgent: Evolving Cognition and Elastic Memory Orchestration for Adaptive Agents [26.380991138110925]
AutoAgentは、認知の進化、オンザフライでのコンテキスト決定、弾力性のあるメモリオーケストレーションに基づく、自己進化型のマルチエージェントフレームワークである。
各エージェントは、ツール、自己能力、同僚の専門知識、タスク知識に関する構造化されたプロンプトレベルの認知を維持する。
AutoAgentは、静的およびメモリ拡張ベースラインに対するタスク成功、ツール使用効率、共同ロバスト性を一貫して改善する。
論文 参考訳（メタデータ） (2026-03-10T14:23:49Z) - ToolSelf: Unifying Task Execution and Self-Reconfiguration via Tool-Driven Intrinsic Adaptation [60.25542764389203]
LLM(Large Language Models)を利用したエージェントシステムは、複雑で長期のタスクに対処する上で、顕著な可能性を示している。
既存のアプローチでは、手動のオーケストレーションやランタイムベースのパッチを頼りにしており、一般化の貧弱さと最適化の断片化に悩まされることが多い。
ツール駆動の自己修正を可能にする新しいパラダイムであるToolSelfを提案する。
論文 参考訳（メタデータ） (2026-02-08T09:27:18Z) - AI Agent Systems: Architectures, Applications, and Evaluation [4.967019713320407]
AIエージェントは、基礎モデルと推論、計画、メモリ、ツールの使用を組み合わせる。
先行作業は、エージェントコンポーネントにまたがる統一された分類にまとめます。
レイテンシ対精度、自律性対可制御性、能力対信頼性といった重要な設計トレードオフについて論じます。
論文 参考訳（メタデータ） (2026-01-05T02:38:40Z) - Architectures for Building Agentic AI [0.0]
この章は、エージェント的および生成的AIの信頼性は、主にアーキテクチャ上の特性であると主張している。
古典的基盤を基盤として,実践的な分類ツール利用エージェント,メモリ拡張エージェント,計画・自己改善エージェント,マルチエージェントシステム,具体化・ウェブエージェントを提案する。
論文 参考訳（メタデータ） (2025-12-10T09:28:40Z) - From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。
静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。
本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
論文 参考訳（メタデータ） (2025-10-07T05:45:25Z) - 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) - SmartAgent: Chain-of-User-Thought for Embodied Personalized Agent in Cyber World [50.937342998351426]
COUT(Chain-of-User-Thought)は、新しい推論パラダイムである。
我々は、サイバー環境を認識し、パーソナライズされた要求を推論するエージェントフレームワークであるSmartAgentを紹介する。
我々の研究は、まずCOUTプロセスを定式化し、パーソナライズされたエージェント学習を具体化するための予備的な試みとして役立ちます。
論文 参考訳（メタデータ） (2024-12-10T12:40:35Z) - Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。
G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
論文 参考訳（メタデータ） (2024-10-06T10:49:40Z)
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。