論文の概要: Agent Team Work Zone: An Automated, Persistent Workspace for Long-Lived Coding Agent Teams
- arxiv url: http://arxiv.org/abs/2607.22917v1
- Date: Fri, 24 Jul 2026 21:11:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.927093
- Title: Agent Team Work Zone: An Automated, Persistent Workspace for Long-Lived Coding Agent Teams
- Title（参考訳）: エージェントチームワークゾーン: 長期間のコーディングエージェントチームのための、自動化された永続的なワークスペース
- Authors: Shouren Wang,
- Abstract要約: 我々は,Claude Codeのネイティブエージェントチームを中心に構築されたレイヤであるATWZ(Agent Team Work Zone)を提案する。
ATWZは、各エージェントとチームメイトを人間の従業員として扱い、重要な作業状態を維持する。
ATWZ内では、エージェントの"employees"が文書を互いに送信することができ、プロンプトを書くのに必要な労力を大幅に削減できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Model (LLM) agents have significantly improved coding and programming workflows. Claude Code, in particular, is one of the most powerful LLM coding agents and is capable of conducting complex coding tasks. However, several drawbacks can undermine long-term agentic workflows. (1) Irrecoverable agent teams: The Agent Teams feature is powerful, but the working state accumulated by each teammate is lost and cannot be resumed once the process stops, for example, when a terminal is closed. (2) Compaction erodes working detail: Compaction condenses the conversation into a summary, causing an agent's working details to become vague. (3) Agentic "technical debt": Over time, a user's decisions and the agents' operations become trapped in compacted old chats, making the project increasingly difficult to maintain and review. (4) Heavy prompt writing: Assigning or handing off tasks requires users to repeatedly write long prompts to achieve the expected agentic performance. We propose ATWZ (Agent Team Work Zone), a filesystem-based operations layer built around Claude Code's native Agent Teams that addresses these problems. Its central design principle is to treat each agent and teammate as a human employee and preserve their important working state in files stored in a dedicated directory called a "workstation," together with the skills, hooks, and scripts that use and maintain these files. With ATWZ, an agent team can periodically back up its working state, allowing an agent's knowledge to be recovered after compaction. After a process ends, the team can be restored with a single command. These features also substantially mitigate the agentic "technical debt" described above. Moreover, within ATWZ, agent "employees" can send documents to one another, greatly reducing the effort required to write prompts.
- Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、コーディングとプログラミングのワークフローを大幅に改善した。
特にClaude Codeは、最も強力なLLMコーディングエージェントの1つであり、複雑なコーディングタスクを実行することができる。
しかし、いくつかの欠点は長期的なエージェントワークフローを損なう可能性がある。
1) 発見不可能なエージェントチーム: エージェントチーム機能は強力ですが、各チームメイトによって蓄積された作業状態が失われ、例えば端末がクローズされた場合など、プロセスが停止した後に再開することはできません。
2) 圧縮は作業詳細を侵食する: 圧縮は会話を要約に凝縮し,エージェントの作業詳細が曖昧になる。
(3)エージェントの"技術的負債": 時間の経過とともに、ユーザの判断とエージェントの操作がコンパクト化された古いチャットに閉じ込められ、プロジェクトのメンテナンスとレビューがますます困難になる。
(4) 重いプロンプトの書き方: タスクの割り当てや引き渡しは、期待されるエージェントのパフォーマンスを達成するために、ユーザーが何度も長いプロンプトを書かなければならない。
我々は,Claude Codeのネイティブエージェントチームを中心に構築されたファイルシステムベースの操作層であるATWZ(Agent Team Work Zone)を提案する。
その中心となる設計原則は、各エージェントとチームメイトを人間の従業員として扱い、それらの重要な作業状態を「ワークステーション」と呼ばれる専用ディレクトリに保存されたファイルに保存し、これらのファイルを使用し維持するスキル、フック、スクリプトと共に保持することである。
ATWZでは、エージェントチームが定期的に作業状態をバックアップし、コンパクト化後にエージェントの知識を回復することができる。
プロセスが終了すると、チームは単一のコマンドで復元できる。
これらの特徴は、上述のエージェント的「技術的負債」を著しく軽減する。
さらに、ATWZ内では、エージェントの"employees"が文書を互いに送信することができ、プロンプトを書くのに必要な労力を大幅に削減できる。
関連論文リスト
- ESAA-Conversational: An Event-Sourced Memory Layer for Continuity, Handoff, and Curation Across Heterogeneous LLM Coding Agents [0.0]
本稿ではイベントソーシングエージェントアーキテクチャ(ESAA)のドメインであるemphA-contextalを提案する。
異種エージェントが直接エージェント対エージェントチャネルを使わずに共有ログを介して協調できることを示し、一方、公開ディストリビューションはプライベートな会話履歴を除外してプライバシを保存する。
570件の開発-ラブイベントによる自己参照ケーススタディでは、異種エージェントが直接エージェント対エージェントチャネルを使わずに共有ログを通じて協力できる一方で、公開ディストリビューションはプライベートな会話履歴を除外してプライバシを保存する。
論文 参考訳（メタデータ） (2026-06-22T01:02:24Z) - Collaborative Human-Agent Protocol (CHAP) [0.18352113484137622]
本稿では,協調型ヒューマンエージェントプロトコルCHAPについて述べる。
CHAPでは、チャットスレッドに紛失したオーバーライドは、差分、合理、コンテンツハッシュを含む構造化イベントとなる。
このプロトコルは、小さなコア(ワークスペース、参加者、タスク、アーティファクト、追加のみのエビデンスログ)を通じて、レビュー、モード、ルーティング、検討、ハンドオフ、アイデンティティ、シグネチャ、デプロイに必要な透過的な監査を追加する構成可能なプロファイルとともに、これを実現する。
論文 参考訳（メタデータ） (2026-06-08T17:11:42Z) - Multi-Agent Computer Use [72.79887808312706]
我々はマルチエージェント・コンピュータ・ユース(MACU)システムの評価・構築に向けて進むべきであると論じる。
本稿では、マネージャモデルがコンピュータ使用タスクを有向非巡回グラフ(DAG)として分解する汎用マルチエージェント構成を提案する。
各イテレーションで、マネージャは並列CUAサブエージェントをディスパッチし、DAGの準備ができているフロンティアでノードを実行する。
論文 参考訳（メタデータ） (2026-06-01T01:29:36Z) - Multi-agent Collaboration with State Management [21.19345862774123]
複数のエージェントが同時に共有を編集すると、その変更は静かに衝突し、一貫性のないビューは統合の失敗につながる。
既存のマルチエージェントシステムはワークスペース分離(エージェント毎に1つのgitワークツリーなど)を通じてこの問題に対処している。
マルチエージェントコラボレーションのためのSTORM,すなわちSTate-Oriented Managementを提案する。
論文 参考訳（メタデータ） (2026-05-19T23:45:33Z) - Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。
本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
論文 参考訳（メタデータ） (2026-05-07T14:19:17Z) - Effective Strategies for Asynchronous Software Engineering Agents [52.76455094324273]
本稿では,集中型タスクデリゲート,非同期実行,独立したワークスペースという,3つのSWEプリミティブに根ざした構造化マルチエージェント協調パラダイムを導入する。
CAIDは,紙再生タスク(PaperBench)では26.7%,Pythonライブラリ開発タスクでは14.3%,単一エージェントベースラインでは26.7%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-03-23T02:26:35Z) - DIG to Heal: Scaling General-purpose Agent Collaboration via Explainable Dynamic Decision Paths [29.11412449913759]
本研究では,汎用大規模言語モデル (LLM) エージェントで構成されるマルチエージェントシステムについて検討する。
エージェントアクティベーションとインタラクションの因果ネットワークとして,創発的コラボレーションを捉えた動的インタラクショングラフ(DIG)を導入する。
論文 参考訳（メタデータ） (2026-02-27T20:59:37Z) - AgentMesh: A Cooperative Multi-Agent Generative AI Framework for Software Development Automation [0.0]
ソフトウェア開発タスクの自動化に複数のLCMエージェントを併用したPythonベースのフレームワークを提案する。
AgentMeshでは、Planner、Coder、Debugger、Reviewerといった特殊なエージェントが協力して、ハイレベルな要件を完全に実現されたコードに変換する。
論文 参考訳（メタデータ） (2025-07-26T10:10:02Z) - 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) - On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。
不器用なエージェントや悪意のあるエージェントが与える影響 - システム全体のパフォーマンスにおいて、頻繁にタスクでエラーを犯すものは、いまだに過小評価されていない。
本稿では,下流タスクにおける障害要因下での各種システム構造のレジリエンスについて検討する。
論文 参考訳（メタデータ） (2024-08-02T03:25:20Z)
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。