論文の概要: CURATE: Leveraging LLM Agents to Compose, Catalog, and Deploy Reproducible Workflows

• arxiv url: http://arxiv.org/abs/2608.04270v1
• Date: Tue, 04 Aug 2026 23:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.658266
• Title: CURATE: Leveraging LLM Agents to Compose, Catalog, and Deploy Reproducible Workflows
• Title（参考訳）: CURATE: LLMエージェントを活用して再現可能なワークフローの構築、カタログ、デプロイ
• Abstract要約: 既存のコーディングエージェントは主にコード生成に重点を置いており、デプロイメントや共有を含むワークフローライフサイクル全体に対処していない。 CURATE - composition, User-in-the-loop, Reuse, and Automated Task Execution - a novel human-in-the-loop multi-agent system。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic code generation has shown promise in automating and accelerating software development by utilizing Large Language Models (LLMs) to generate, test, and deploy code. For engineers and scientists, such systems have the potential to accelerate the development of applied and scientific workflows while reducing barriers to entry in domains that have yet to fully realize their benefits. However, a key gap remains: existing coding agents primarily focus on code generation and do not address the entire workflow lifecycle, including deployment and sharing. As a result, users develop and stitch modules independently while managing deployment on their own. To address this gap, we propose CURATE - Composition, User-in-the-loop, Reuse, and Automated Task Execution - a novel human-in-the-loop multi-agent system that uses LLM agents to manage and develop composable workflows across their entire lifecycle. A key feature of the system is a catalog that allows for the storage and reuse of modules across workflows. Module catalogs provide a foundation that can be expanded to support FAIR principles by facilitating the sharing and reuse of curated modules and subgraphs. We demonstrate the feasibility of our system with an initial prototype using Claude Opus 4.8, comprising 6 experiments: reproducing and adapting 4 workflows derived from the SeBS-Flow benchmark suite, and automating the development and scaling of a workflow that leverages a complex mechanistic model in environmental engineering used to simulate anaerobic digestion.
• Abstract（参考訳）: エージェントコード生成は、コードの生成、テスト、デプロイにLLM(Large Language Models)を利用することで、ソフトウェア開発の自動化と高速化を約束している。 技術者や科学者にとって、そのようなシステムは応用と科学的ワークフローの開発を加速する可能性があり、その利点を十分に実現していない領域への参入障壁を減らしている。 既存のコーディングエージェントは主にコード生成に重点を置いており、デプロイメントや共有を含むワークフローライフサイクル全体に対処していない。 結果として、ユーザは独自のデプロイを管理しながら、モジュールを独立して開発し、縫合する。 このギャップに対処するために、我々はCURATE - composition, User-in-the-loop, Reuse, and Automated Task Execution - LLMエージェントを使用してライフサイクル全体にわたって構成可能なワークフローを管理し開発する新しいヒューマン・イン・ザ・ループ・マルチエージェントシステムを提案する。 システムの主要な機能は、ワークフロー間でモジュールのストレージと再利用を可能にするカタログである。 モジュールカタログは、キュレートされたモジュールとサブグラフの共有と再利用を容易にすることによって、FAIR原則をサポートするように拡張できる基盤を提供する。 SeBS-Flowベンチマークスイートから派生した4つのワークフローの再現と適応、および嫌気性消化をシミュレートするために使用される環境工学における複雑な力学モデルを活用するワークフローの開発とスケーリングの自動化である。

関連論文リスト

• An AI-Assisted Migration Framework for Transforming Legacy Scientific Applications into Reusable Cloud-Based Workflows [2.673900980590657]
  既存のマイグレーションアプローチは主にノートやコンテナといった個々のアーティファクトをターゲットにしています。 本稿では,アーキテクチャ解析,大規模言語モデル,設計構造行列解析を組み合わせたAI支援マイグレーションフレームワークを提案する。 この枠組みは、異なる科学領域からの2つのレガシな科学的応用に基づいて評価された。
  論文  参考訳（メタデータ） (2026-08-24T11:52:33Z)
• From Specification to Execution: AI Assisted Scientific Workflow Management [0.7507031378170735]
  本稿では,AIを活用した科学ワークフロー管理手法を提案する。 このメソッドは、ワークフローの意図、設計、実装を分離する構造化された仕様フェーズを導入し、コード生成に先立って検証を可能にする。 本手法は, 並列性, 反復性, 依存性集約構造で選択された医用画像にフェデレートした学習ワークフローを用いて評価する。
  論文  参考訳（メタデータ） (2026-06-16T19:21:09Z)
• Multi-Agent Orchestration for High-Throughput Materials Screening on a Leadership-Class System [1.4669344809969722]
  大規模言語モデル(LLM)は、自律的な意思決定において重要な役割を果たす。 我々は,高スループットスクリーニングキャンペーンを編成するスケーラブルで階層的なマルチエージェントフレームワークを提案する。 提案するエージェントフレームワークは,Auroraスーパーコンピュータ上での効率的かつスケーラブルな実行を可能にする。
  論文  参考訳（メタデータ） (2026-04-09T01:01:11Z)
• Mimosa Framework: Toward Evolving Multi-Agent Systems for Scientific Research [2.4251063179584436]
  Mimosaは、タスク固有のマルチエージェントを自動的に合成し、それを反復的に洗練する進化中のマルチエージェントフレームワークである。 Mimosaは完全なオープンソースプラットフォームとしてリリースされ、コミュニティ主導のASRのためのオープンな基盤を提供することを目指している。
  論文  参考訳（メタデータ） (2026-03-30T20:35:57Z)
• Learning to Compose for Cross-domain Agentic Workflow Generation [56.630382886594184]
  クロスドメインワークフロー生成のためのオープンソースのLLMを作成します。 さまざまなドメインにわたる再利用可能なワークフロー機能のコンパクトなセットを学びます。 当社の1パスジェネレータは、20イテレーションを消費するSOTAリファインメントベースラインを超えています。
  論文  参考訳（メタデータ） (2026-02-11T18:27:22Z)
• A Lightweight Modular Framework for Constructing Autonomous Agents Driven by Large Language Models: Design, Implementation, and Applications in AgentForge [1.932555230783329]
  LLM駆動の自律エージェントの構築を民主化するために設計された軽量でオープンソースのPythonフレームワーク。 AgentForgeは、(1)正式に定義された入出力契約できめ細かいタスク分解を可能にする構成可能なスキル抽象化、(2)クラウドベースのAPIとローカル推論エンジンのシームレスな切り替えをサポートする統一されたバックエンドインターフェース、(3)エージェントロジックと実装の詳細を分離する宣言型YAMLベースの構成システムである。
  論文  参考訳（メタデータ） (2026-01-19T20:33:26Z)
• Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
  本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。 ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。 ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
  論文  参考訳（メタデータ） (2025-12-31T14:03:39Z)
• SmartMLOps Studio: Design of an LLM-Integrated IDE with Automated MLOps Pipelines for Model Development and Monitoring [0.3823356975862005]
  従来の統合開発環境(IDE)は、主にコードに焦点を当てており、完全な機械学習ライフサイクルに対するインテリジェントなサポートを欠いている。 本研究では,MLOpsパイプラインを自動化したLLM統合IDEの設計を提案する。 バックエンドには、自動データ検証、機能ストレージ、ドリフト検出、リトレーニングトリガ、CI/CDデプロイメントオーケストレーションが含まれている。 実験の結果、SmartMLOps Studioはパイプライン構成時間を61%削減し、実験を45%改善し、従来のものに比べてドリフト検出精度を14%向上した。
  論文  参考訳（メタデータ） (2025-11-03T18:56:59Z)
• Generalizable End-to-End Tool-Use RL with Synthetic CodeGym [52.31172214690965]
  エージェントRLのための多目的ツール環境を多種多様な、検証可能な、制御可能な、多目的ツール環境を合成するフレームワークであるCodeGymを紹介する。 CodeGymは、静的コーディングの問題を対話的な環境に書き換え、原子関数やロジックを呼び出し可能なツールに抽出する。 さまざまなサイズのモデルとCodeGymでトレーニングされたチェーン・オブ・コンフィグレーションは、一貫したアウト・オブ・ディストリビューションの一般化性を示す。
  論文  参考訳（メタデータ） (2025-09-22T03:03:56Z)
• A Survey on Code Generation with LLM-based Agents [61.474191493322415]
  大規模言語モデル(LLM)を利用したコード生成エージェントは、ソフトウェア開発パラダイムに革命をもたらしている。 LLMは3つのコア特徴によって特徴づけられる。 本稿では,LLMに基づくコード生成エージェントの分野を体系的に調査する。
  論文  参考訳（メタデータ） (2025-07-31T18:17:36Z)
• ComfyGPT: A Self-Optimizing Multi-Agent System for Comprehensive ComfyUI Workflow Generation [96.44354750396019]
  ComfyGPTはタスク記述に基づいてComfyUIを生成するように設計された自動最適化マルチエージェントシステムである。 FlowDatasetは、13,571のワークフロー記述ペアを含む大規模なデータセットである。 FlowBenchはワークフロー生成システムを評価するためのベンチマークである。
  論文  参考訳（メタデータ） (2025-03-22T06:48:50Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• Spider2-V: How Far Are Multimodal Agents From Automating Data Science and Engineering Workflows? [73.81908518992161]
  我々は、プロのデータサイエンスとエンジニアリングに焦点を当てた最初のマルチモーダルエージェントベンチマークであるSpider2-Vを紹介する。 Spider2-Vは、本物のコンピュータ環境における現実世界のタスクを特徴とし、20のエンタープライズレベルのプロフェッショナルアプリケーションを組み込んでいる。 これらのタスクは、エンタープライズデータソフトウェアシステムにおいて、コードを書き、GUIを管理することで、マルチモーダルエージェントがデータ関連のタスクを実行する能力を評価する。
  論文  参考訳（メタデータ） (2024-07-15T17:54:37Z)

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。