論文の概要: NVIDIA-labs OO Agents: Native Python Object-Oriented Agents
- arxiv url: http://arxiv.org/abs/2607.20709v1
- Date: Wed, 22 Jul 2026 20:25:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.216119
- Title: NVIDIA-labs OO Agents: Native Python Object-Oriented Agents
- Title（参考訳）: NVIDIA-labs OO Agents: Pythonネイティブなオブジェクト指向エージェント
- Abstract要約: 我々は、信頼できるAIエージェントを構築するためのモデルに依存しないPythonフレームワークであるNVIDIA Object-Oriented Agents (NOOA)を紹介する。
NOOAはシンプルなアプローチを取る。エージェントはPythonオブジェクトである。そのメソッドはモデルが取ることができるアクションであり、フィールドは状態であり、ドキュメントはプロンプトであり、型アノテーションはコントラクトである。
- 参考スコア（独自算出の注目度）: 8.777370925453148
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional agent development is split across prompt templates, tool schemas, callback code, and workflow graphs. We present NVIDIA Object-Oriented Agents (NOOA), a model-agnostic Python framework for building reliable AI agents. NOOA takes a simpler approach: an agent is a Python object. Its methods are the actions the model can take, fields are its state, docstrings are its prompts, and its type annotations are contracts. A method whose code body consists of "..." is completed at runtime by an LLM-driven agent loop, while methods with normal bodies remain standard deterministic Python. This gives developers and agents the same interface, so agent behavior can be tested, traced, refactored, and improved just like other software. This paper makes three contributions. (1) We present the agent-as-a-Python-object programming model and the design principles behind it. Where Python has existing abstractions, we adopt them directly. Agent-specific capabilities--context, events, state rendering, long-term memory, and validated LLM loops--are exposed through simple Pythonic APIs, so both developers and agents share one familiar programming model. (2) We identify six model-facing ideas that NOOA is, to our knowledge, the first to combine on a single surface: typed input/output, pass-by-reference over live objects, code as action, programmable loop engineering, explicit object state, and model-callable harness APIs for context and events. We find the community already converging on several of these ideas--often as experimental or partial features--and present the comparison to encourage further adoption. (3) We demonstrate that current models use this interface effectively, both in targeted capability tests and on agentic and reasoning benchmarks such as SWE-bench Verified and Terminal-Bench 2.0 and ARC-AGI-3.
- Abstract（参考訳）: 従来のエージェント開発は、プロンプトテンプレート、ツールスキーマ、コールバックコード、ワークフローグラフに分割されている。
我々は、信頼できるAIエージェントを構築するためのモデルに依存しないPythonフレームワークであるNVIDIA Object-Oriented Agents (NOOA)を紹介する。
NOOAは単純なアプローチを取る:エージェントはPythonオブジェクトである。
そのメソッドはモデルが取ることのできるアクションであり、フィールドはその状態であり、ドキュメントはプロンプトであり、型アノテーションはコントラクトである。
コードボディが"..."で構成されるメソッドは、LLM駆動のエージェントループによって実行時に完了するが、通常のボディを持つメソッドは標準的な決定論的Pythonのままである。
これは開発者とエージェントに同じインターフェースを与えるため、エージェントの動作を他のソフトウェアと同じようにテスト、トレース、リファクタリング、改善することができる。
この論文には3つの貢献がある。
1)エージェント・アズ・ア・Pythonオブジェクトプログラミングモデルとその設計原理について述べる。
Pythonには既存の抽象化がありますが、直接採用しています。
エージェント固有の機能 - コンテキスト、イベント、ステートレンダリング、長期メモリ、検証済みのLLMループ - は、単純なPythonのAPIを通じて公開されるため、開発者とエージェントは共通のプログラミングモデルを共有する。
2) NOOAが私たちの知る限りでは、入力/出力の型付け、ライブオブジェクトへのパス・バイ・レファレンス、コード・アズ・アクション、プログラム可能なループエンジニアリング、明示的なオブジェクト状態、コンテキストやイベントのためのモデルコール可能なハーネスAPIである。
コミュニティはすでにこれらのアイデア(しばしば実験的あるいは部分的な機能として)を集結させており、さらなる採用を促進するために比較を提示しています。
(3) 現在のモデルでは,対象能力試験とSWE-bench Verified や Terminal-Bench 2.0 や ARC-AGI-3 などのエージェントおよび推論ベンチマークの両方において,このインターフェースを効果的に利用している。
関連論文リスト
- Prime Agent: A Self-Improving RLM Harness [5.540645425386541]
Prime Agentは、長期評価とコーディングエージェントのためのオープンソースのハーネスである。
ストラテジ構築をモデルに残しながら、実行、リカバリ、検証、リソース会計を標準化する。
Prime AgentはARC-AGI-3 RHAE Best@1を30%から95.5%に引き上げ、ネイティブやポピュラーなハーネスを超えている。
論文 参考訳（メタデータ） (2026-08-24T17:54:19Z) - Agents All the Way Down; A Methodology for Building Custom AI Agents from Substrate to Production [1.0499611180329804]
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。
論文 参考訳（メタデータ） (2026-06-10T09:44:54Z) - Code as Agent Harness [107.31925305395957]
新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。
コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。
この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
論文 参考訳（メタデータ） (2026-05-18T17:59:03Z) - AgentFactory: A Self-Evolving Framework Through Executable Subagent Accumulation and Reuse [14.413401094877122]
LLMに基づくエージェントの自己進化に関する最近の研究は、主にテキストのプロンプトやリフレクションとして成功した経験を記録している。
本稿では,タスクソリューションを実行可能なサブエージェントコードとして保存する,新たな自己進化パラダイムであるAgentFactoryを提案する。
保存されたサブエージェントは、標準化されたドキュメントを備えた純粋なPythonコードであり、任意のPython対応システム間で移植性を実現する。
論文 参考訳（メタデータ） (2026-03-18T17:58:25Z) - Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback [51.22403664895878]
Agent2Worldは、強力な推論時ワールドモデル生成を実現するツール拡張マルチエージェントフレームワークである。
また、マルチエージェントフィードバックの生成を基盤にすることで、教師付き微調整のためのデータエンジンとしても機能する。
論文 参考訳（メタデータ） (2025-12-26T18:54:14Z) - EnCompass: Enhancing Agent Programming with Search Over Program Execution Paths [30.69327461098545]
エージェントプログラミングに対する現在のアプローチは、しばしばエージェント設計の2つの側面、すなわちコアワークフローロジックと推論時戦略を絡み合わせる。
この2つの懸念を解消するプログラミングモデルである「確率的天使的非決定主義(PAN)」を導入する。
本稿では,このフレームワークがエージェントの信頼性を向上し,異なる推論時間戦略を簡単に切り替えることを可能にすることを示す3つのケーススタディを示す。
論文 参考訳（メタデータ） (2025-12-03T08:50:16Z) - AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。
我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。
我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
論文 参考訳（メタデータ） (2024-06-06T15:15:41Z) - 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) - Executable Code Actions Elicit Better LLM Agents [76.95566120678787]
この研究は、Pythonコードを使用して、Large Language Model(LLM)エージェントのアクションを統一されたアクション空間(CodeAct)に統合することを提案する。
Pythonインタプリタと統合されたCodeActは、コードアクションを実行し、事前アクションを動的に修正したり、マルチターンインタラクションを通じて新しい観察に新しいアクションを発行することができる。
CodeActのパフォーマンス向上は、解釈可能なコードを実行し、自然言語を使ってユーザとコラボレーションすることで、環境と対話するオープンソースのLLMエージェントを構築する動機となります。
論文 参考訳（メタデータ） (2024-02-01T21:38:58Z) - pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。
我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
論文 参考訳（メタデータ） (2022-01-11T12:18:44Z)
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。