論文の概要: Agent-UCT: Upper Confidence Bounds Applied to Trees for Agentic Workflow Optimization with Cost-Awareness

• arxiv url: http://arxiv.org/abs/2607.24162v1
• Date: Mon, 27 Jul 2026 08:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.365904
• Title: Agent-UCT: Upper Confidence Bounds Applied to Trees for Agentic Workflow Optimization with Cost-Awareness
• Title（参考訳）: Agent-UCT: コスト認識によるエージェントワークフロー最適化のための木に適用される上部信頼境界
• Abstract要約: 本稿では,木に応用したエージェントベースのコスト・アウェア・アッパー・バウンドを提案する。これは,2部目のプレフィックス・リユース・グラフから得られた再利用・アウェア・レギュラー化項を用いて,UCTを拡張した木探索アルゴリズムである。 Agent-UCTは、以前実体化された設定プレフィックスを利用したブランチに対する選択をバイアスし、効果的な探索を維持しながら冗長な実行を減らす。 WTB(Workflow Test Bench)は、決定論的リプレイ、コンテンツ適応可能なキャッシング、トランザクション一貫性を提供し、中間状態が一度実体化され、検索計算全体で再利用されることを保証する。
• 参考スコア（独自算出の注目度）: 11.231092673447735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimizing agentic workflows, such as retrieval-augmented generation (RAG) pipelines, requires navigating a combinatorial space of discrete component choices under tight evaluation budgets. Existing approaches - heuristic search, black-box optimization, and standard tree search methods - do not explicitly exploit the compositional structure of these workflows, leading to redundant computation and inefficient budget allocation. We introduce Agent-UCT (Agent-based Cost-Aware Upper Confidence Bounds Applied to Trees), a tree search algorithm that extends UCT with a reuse-aware regularization term derived from a bipartite prefix reuse graph. Agent-UCT biases selection toward branches that leverage previously materialized configuration prefixes, reducing redundant execution while maintaining effective exploration. Our framework, RAGSpace, unifies heterogeneous RAG components from LongRAG, LightRAG, and Self-RAG into a five-dimensional configuration space, enabling systematic cross-framework recombination. WTB (Workflow Test Bench) provides deterministic replay, content-addressable caching, and transactional consistency, ensuring that intermediate states are materialized once and reused across the search. Experiments on HotpotQA and UltraDomain demonstrate that Agent-UCT identifies configurations with the highest out-of-sample performance among the evaluated fixed framework presets. Under full-pool evaluation, bipartite prefix reuse reduces logical search cost by 73.6% relative to the no-prefix-sharing cost upper bound. Compared with full-pool evaluation, sampling-based evaluation further achieves a 4.2x wall-clock speedup. Agent-UCT, RAGSpace, and WTB together provide a unified framework for cost-aware, reproducible, and compositionally efficient agentic workflow optimization.
• Abstract（参考訳）: 検索拡張生成(RAG)パイプラインのようなエージェントワークフローの最適化には、厳密な評価予算の下で個別のコンポーネント選択の組合せ空間をナビゲートする必要がある。 既存のアプローチ - ヒューリスティック検索、ブラックボックス最適化、標準木探索は、これらのワークフローの構成構造を明示的に利用していないため、冗長な計算と非効率な予算配分につながる。 本稿では,UCT を拡張した木探索アルゴリズムである Agent-UCT (Agent-based Cost-Aware Upper Confidence Bounds Applied to Trees) を紹介する。 Agent-UCTは、以前実体化された設定プレフィックスを利用したブランチに対する選択をバイアスし、効果的な探索を維持しながら冗長な実行を減らす。 我々のフレームワークであるRAGSpaceは、LongRAG、LightRAG、Self-RAGからの異種RAGコンポーネントを5次元構成空間に統合し、系統的なクロスフレーム組換えを可能にする。 WTB(Workflow Test Bench)は、決定論的リプレイ、コンテンツ順応可能なキャッシング、トランザクション一貫性を提供する。 HotpotQAとUltraDomainの実験では、Agent-UCTは、評価済みの固定フレームワークプリセットの中で最高のアウトオブサンプルパフォーマンスを持つ構成を特定する。 完全プール評価では、二分詞プレフィックスの再利用により、非固定共有コストの上限に対して論理探索コストが73.6%削減される。 フルプール評価と比較すると、サンプリングベースの評価はさらに4.2倍のウォールクロックスピードアップを達成する。 Agent-UCT、RAGSpace、WTBは、コスト認識、再現性、構成的に効率的なエージェントワークフロー最適化のための統一されたフレームワークを提供する。

関連論文リスト

• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG [0.5566372336864309]
  クロスコンポーネント・プロンプト適応のためのフレームワークであるGRADRAGを紹介する。 評価者は下流の回答を批判し、証拠を支持し、実行可能なフィードバックを生み出す。 GRADRAGをSQUALITYおよびQMSUMベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-07-23T13:54:38Z)
• CAMI: Cost-Aware Agent-Guided Multi-Indexing for Semantic Retrieval [7.07006462273528]
  CAMI(Cost-Aware Multi-Indexing)は、マルチインデックス構築を予算付き多目的ポートフォリオ選択問題として形式化するフレームワークである。 その結果,厳格な予算制約の下で,ハイリコールポートフォリオを系統的に分離することが判明した。 CAMIは、これらのハイリコールポートフォリオを、ランダムな検索ベースラインに比べて最大5倍の予算で体系的に識別することができる。
  論文  参考訳（メタデータ） (2026-06-14T16:59:18Z)
• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• Agent-Orchestrated Adaptive RAG: A Comparative Study on Structured and Multi-Hop Retrieval [0.0]
  Retrieval-Augmented Generation (RAG) は、言語モデル(LLM)を拡張し、その応答を外部知識に基盤付ける。 本稿では,動的クエリ分解,反復検索,および有界自己回帰評価ループを導入したエージェントオーケストレーション適応型RAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-04T03:38:46Z)
• Why Search When You Can Transfer? Amortized Agentic Workflow Design from Structural Priors [51.95306551061392]
  エージェントワークフローの自動設計は、現在、タスクごとの反復検索に依存している。 本稿では,ワークフロー設計を再利用可能な構造的先入観に補正するフレームワークであるSWIFTを提案する。 SWIFTは5つのベンチマークで最先端の検索手法より優れている。
  論文  参考訳（メタデータ） (2026-04-27T21:25:00Z)
• Cost-Efficient RAG for Entity Matching with LLMs: A Blocking-based Exploration [14.88759517020146]
  既存のRAGパイプラインは、大規模なエンティティマッチングに適用した場合、かなりの検索と生成オーバーヘッドを発生させる。 本稿では,CE-RAG4EMを導入する。CE-RAG4EMはコスト効率の高いRAGアーキテクチャで,ブロッキングベースのバッチ検索と生成による計算を削減できる。
  論文  参考訳（メタデータ） (2026-02-05T14:33:00Z)
• TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG [71.06073770344732]
  エージェント検索強化生成(RAG)は、推論と情報検索の多段階的な相互作用として質問応答を定式化する。 エージェントRAGのためのオンラインツリーベースRLフレームワークであるTreePS-RAGについて述べる。
  論文  参考訳（メタデータ） (2026-01-11T14:07:30Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
  大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。 既存のエージェントサーチ手法には3つの大きな制限がある。 これらの課題に対処するための包括的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2025-06-06T12:07:23Z)
• syftr: Pareto-Optimal Generative AI [40.80352098169579]
  syftrはエージェントと非エージェントのRAG構成の広い領域で効率的な多目的探索を行うフレームワークである。 Syftrは、最も正確な流れの正確さを保ちながら、平均して9倍のコストで流れを見つける。
  論文  参考訳（メタデータ） (2025-05-26T17:43:13Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)

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。