論文の概要: Is Progressive Disclosure All You Need for Long-Context Agents?

• arxiv url: http://arxiv.org/abs/2607.17598v1
• Date: Mon, 20 Jul 2026 06:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.513054
• Title: Is Progressive Disclosure All You Need for Long-Context Agents?
• Title（参考訳）: プログレッシブ・開示はロングコンテキスト・エージェントに必要か?
• Abstract要約: Agentic AIはより広範な選択肢を提案し、エージェントにドキュメントパスを与え、読み方と読み方を決定する。 Agent Skills – エージェントに専門知識をパッケージングするための標準で、要求に応じてロードし、プログレッシブ開示という、準備の整ったメカニズムを提供する。 原文書ナビゲーションとエージェントスキルパックのいくつかの設計を古典的ハイブリッドレトリバーと比較し,このパターンを初めて制御した研究を行った。
• 参考スコア（独自算出の注目度）: 6.214989743502112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-document question answering usually forces a choice between loading the whole document into the context window and bolting on a separate retriever. Agentic AI suggests a broader option, giving the agent the document path and letting it decide how and what to read. Agent Skills, a standard for packaging expertise into folders an agent loads on demand, supply a ready mechanism: progressive disclosure, which exposes only what a query needs, from a short description down to the specific passages. Practitioners rapidly adopted this pattern for book-length understanding tasks, but the evidence to support such choices has been anecdotal. We run the first controlled study of the pattern, comparing raw-document navigation and several designs of Agent Skills packs against a classical hybrid retriever across three agent harnesses and three model families on InfiniteBench. On a single book, the gain depends on the harness, running large when the agent navigates the raw document poorly but near zero when a strong agent harness already divides and retrieves on its own. When scaling up to tasks that span many books, raw-document navigation collapses while one-level progressive disclosure degrades more slowly and pulls ahead. A second, deeper routing level never helps and sometimes breaks accuracy outright, so one level is enough. Progressive disclosure buys context, not intelligence: it is redundant while a strong agent can locate the right passages itself, and decisive once the corpus grows too large to navigate by reading.
• Abstract（参考訳）: 長文の質問応答は通常、文書全体をコンテキストウィンドウにロードし、別々のレトリバーにボルトする選択を強制する。 Agentic AIはより広範な選択肢を提案し、エージェントにドキュメントパスを与え、読み方と読み方を決定する。 Agent Skillsは、フォルダに専門知識をパッケージングするための標準で、エージェントが必要に応じてロードし、準備の整ったメカニズムを提供する。 実践者は、このパターンを本の長さの理解タスクに急速に採用したが、そのような選択を支持する証拠は逸話的であった。 InfiniteBench上の3つのエージェントハーネスと3つのモデルファミリーからなる古典的ハイブリッドレトリバーに対して、原文書ナビゲーションとエージェントスキルパックのいくつかの設計を比較して、このパターンを制御した最初の研究を行った。 1冊の本では、利得はハーネスに依存しており、エージェントが生文書を十分にナビゲートするが、強いエージェントハーネスがすでに分割して取り出すとゼロに近い場合には大きなハーネスとなる。 多くの書籍にまたがるタスクにスケールアップする場合、原文書のナビゲーションは崩壊し、1段階のプログレッシブな開示はより遅くなり、前進します。 第2の、より深いルーティングレベルは、決して役に立たない。 プログレッシブ・開示は、知性ではなくコンテキストを購入する:それは冗長であり、強いエージェントは正しい通路そのものを見つけることができ、コーパスが大きくなると読み上げによってナビゲートするには決定的である。

関連論文リスト

• Subagents vs Agent Skills: Executing Reusable Knowledge for Long-Horizon Agentic Tasks [15.900236740254634]
  本稿では,サブエージェントの実行が,スキルパッケージが明確な入出力契約を公開すると,エージェントスキルの実行よりも優れていることを示す。 再利用可能な知識の利点は、その内容だけでなく、どのように組織化され、どのように呼び出されるかにも依存している。
  論文  参考訳（メタデータ） (2026-09-07T20:14:11Z)
• Fetch-then-Explore: Decoupling Selection from Extraction over a Persistent Workspace for Search Agents [60.97609995940902]
  検索エージェントに対して textbfFetch-then-Explore を提案する。 ページ選択とエビデンス抽出を分離し、選択したものを保持する。 これは、すべてのバックボーンでBrowseCompの精度を導き、一般的にWideSearchのベースラインと一致するか、超える。
  論文  参考訳（メタデータ） (2026-08-03T11:58:21Z)
• Bridge Evidence: Static Retrieval Utility Does Not Predict Causal Utility in Multi-Step Agentic Search [3.976291254896486]
  検索システムは、有用性の静的なアイデアに基づいて訓練され、評価される。 言語モデルが検索エージェントとして機能し、いくつかのクエリを発行し、ターンにまたがる推論を行うとき、それは壊れる。 私たちは1000の開発質問をリプレイし、エージェントが読んだすべてのドキュメントに対して、それを削除し、その時点から残りのトラジェクトリを再実行します。
  論文  参考訳（メタデータ） (2026-07-16T17:48:29Z)
• Progressive Disclosure for LLM-Maintained Wiki Knowledge Bases: a Preregistered Ablation [0.0]
  4つのコーパスの4つのバージョンは、エージェントがどのようにコンテンツに到達するかにのみ異なる、事前登録されたアブレーションを実行する。 私たちは、家族横断の裁判官で検証された金の基準に対して盲目で答える。 この研究は、評価の妥当性に関するケーススタディとして、それを作成したツールに脅威と妥当性の規律を適用した。
  論文  参考訳（メタデータ） (2026-07-06T01:03:27Z)
• Hybrid Retriever Evolution for Multimodal Document Reasoning Agents [7.9215284090523355]
  本稿では,メタエージェントが自律的にツール利用タスクエージェントの協調方法を検出する,障害駆動型進化フレームワークを提案する。 MMLongBench-DocとDocBenchでは、進化したエージェントは、未進化のベースライン上で最大+19.6ポイントのゲインを達成する。
  論文  参考訳（メタデータ） (2026-06-28T23:36:34Z)
• Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
  レポート生成のためのマルチエージェントハーネスであるPtahを提案する。 Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。 検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T12:40:34Z)
• AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning [57.72181998599248]
  AgentFugueは、共通の推論ハブを中心に構築された、集合的推論フレームワークである。 ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが何を確立、試み、あるいは除外したかを簡潔に記録する。 この結果から,集団推論によってピアエージェントシステムのスケールアウトが実現可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-23T09:21:51Z)
• The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
  本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。 通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
  論文  参考訳（メタデータ） (2026-04-27T16:23:09Z)
• The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
  LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。 本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。 標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-21T15:22:21Z)
• ALDEN: Reinforcement Learning for Active Navigation and Evidence Gathering in Long Documents [17.497004687630742]
  視覚言語モデル(VLM)は、テキストリッチな画像の解釈に優れるが、長い、視覚的に複雑な文書に苦しむ。 対話型エージェントとしてVLMを微調整する多ターン強化学習フレームワークであるActive Long-DocumEnt Navigation (ALDEN)を提案する。
  論文  参考訳（メタデータ） (2025-10-29T16:32:26Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• A Human-Inspired Reading Agent with Gist Memory of Very Long Contexts [35.68159165639245]
  本実験では,有効文脈長を最大20倍に向上させるエージェントシステムであるReadAgentを提案する。 人間が長い文書を対話的に読む方法に触発され、簡単なプロンプトシステムとしてReadAgentを実装した。 本稿では,検索手法を用いてベースラインに対するReadAgentの評価を行い,元の長コンテキストを用いて,gistメモリを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-15T05:40:21Z)
• DAPR: A Benchmark on Document-Aware Passage Retrieval [57.45793782107218]
  我々は,このタスクemphDocument-Aware Passage Retrieval (DAPR)を提案する。 State-of-The-Art(SoTA)パスレトリバーのエラーを分析しながら、大きなエラー(53.5%)は文書コンテキストの欠如に起因する。 提案するベンチマークにより,検索システムの開発・比較を今後行うことができる。
  論文  参考訳（メタデータ） (2023-05-23T10:39:57Z)

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。