論文の概要: MARC v1: An Open-Source Multi-Agent Framework for Clinical AI Reasoning and Coordination
- arxiv url: http://arxiv.org/abs/2608.13476v1
- Date: Thu, 13 Aug 2026 17:00:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.611839
- Title: MARC v1: An Open-Source Multi-Agent Framework for Clinical AI Reasoning and Coordination
- Title（参考訳）: MARC v1: 臨床AI推論とコーディネーションのためのオープンソースのマルチエージェントフレームワーク
- Abstract要約: MARCは、抽出、推論、回答生成、評価のための役割特定エージェントをコーディネートする。
Decomposerモジュールは、プレーン言語記述からタスク固有のエージェントプロンプトを生成する。
MARCは、プログラミングの専門知識なしに、モデルに依存しず、解釈可能で、臨床領域の専門家にアクセスできるように設計されている。
- 参考スコア（独自算出の注目度）: 2.3475925378848124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Multi-Agent Reasoning and Coordination (MARC), an open-source framework that replaces monolithic LLM prompting with deterministic multi-agent orchestration for clinical reasoning. MARC coordinates role-specialized agents for extraction, reasoning, answer generation, and evaluation, with explicit context passing and traceable intermediate outputs, enabling stage-wise failure attribution. We additionally introduce a Decomposer module that generates task-specific agent prompts from a plain-language description, eliminating manual prompt engineering. The framework supports both API-based and local CPU-compatible deployments and is entirely configurable via YAML, without code modifications. MARC is designed to be model-agnostic, interpretable, and accessible to clinical domain experts without programming expertise. The full framework is available at https://github.com/Penn-RAIL/MARC-v1.
- Abstract（参考訳）: 本稿では,モノリシックLSMを代替するオープンソースのフレームワークであるMulti-Agent Reasoning and Coordination(MARC)について述べる。
MARCは、抽出、推論、回答生成、評価のためのロール特殊化エージェントを、明示的なコンテキストパスとトレース可能な中間出力で調整し、ステージワイドな失敗帰属を可能にする。
また,タスク固有のエージェントプロンプトを生成するDecomposerモジュールを導入し,手作業によるプロンプトエンジニアリングを排除した。
このフレームワークは、APIベースとローカルのCPU互換デプロイメントの両方をサポートし、コード修正なしでYAMLを介して完全に構成可能である。
MARCは、プログラミングの専門知識なしに、モデルに依存しず、解釈可能で、臨床領域の専門家にアクセスできるように設計されている。
完全なフレームワークはhttps://github.com/Penn-RAIL/MARC-v1.comで公開されている。
関連論文リスト
- Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。
ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-09-04T23:32:11Z) - Benchmarking AI Agents for Hardware Design Automation via MCP Tool Calling [1.6639892342953113]
ローカルにデプロイされた大規模言語モデルを利用したAIエージェントが、業界現実的なツールコール設定で、専門家が定義したハードウェア設計を確実に自動化できるかどうかを問う。
この設定を研究するために、組み込みシステム開発に使用されるプロプライエタリなハードウェア設計ツールの状態と依存性ロジックを再現するモデルコンテキストプロトコル(MCP)サーバを構築した。
我々は、システムプロンプト、ツール記述の詳細、コンテキストスコープ、シングルエージェント対マルチエージェントアーキテクチャを含むパイプライン選択を比較した7つのオープンソースモデルを評価する。
論文 参考訳（メタデータ） (2026-08-25T15:33:50Z) - Provable Coordination for LLM Agents via Message Sequence Charts [0.0]
メッセージシーケンスチャート(MSC)に基づくエージェント協調を指定するためのドメイン固有言語を提案する。
言語の構文と意味を定義し,グローバルな協調仕様からデッドロックフリーなローカルエージェントプログラムを生成する構文指向プロジェクションを提案する。
私たちのフレームワークのオープンソースPython実装は、ZipperGenとして利用可能です。
論文 参考訳（メタデータ） (2026-04-19T20:54:30Z) - Interpretable Context Methodology: Folder Structure as Agentic Architecture [0.0]
AIエージェントオーケストレーションに対する現在のアプローチは、典型的には、コンテクストパッシング、メモリ、エラーハンドリング、コードによるステップ調整を管理するマルチエージェントフレームワークの構築を含む。
本稿では,フレームワークレベルのオーケストレーションを構造に置き換える手法である Model Workspace Protocol (MWP) を提案する。
平易なマークダウンファイルには、ひとつのAIエージェントに各ステップでどのような役割を果たすべきかを伝えるプロンプトとコンテキストがある。ローカルスクリプトは、AIをまったく必要としない機械的な作業を処理する。
論文 参考訳（メタデータ） (2026-03-17T00:03:23Z) - DeALOG: Decentralized Multi-Agents Log-Mediated Reasoning Framework [7.772295511115406]
DeALOGはマルチモーダル質問応答のための分散マルチエージェントフレームワークである。
特殊なエージェント: Table、Context、Visual、Summarizing、Verificationを使用する。
論文 参考訳（メタデータ） (2026-02-01T03:26:52Z) - Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。
その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。
本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
論文 参考訳（メタデータ） (2025-08-28T13:00:28Z) - 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) - Talk Structurally, Act Hierarchically: A Collaborative Framework for LLM Multi-Agent Systems [10.67359331022116]
textitTalk 構造的には、Act Hierarchically (TalkHier) はコンテキスト豊富な交換のための構造化通信プロトコルを導入する新しいフレームワークである。
textitTalkHierは、推論スケーリングモデル(OpenAI-o1)、オープンソースのマルチエージェントモデル(AgentVerseなど)など、さまざまな種類のSoTAを追い越している。
論文 参考訳（メタデータ） (2025-02-16T12:26:58Z) - CRAB: Cross-environment Agent Benchmark for Multimodal Language Model Agents [49.68117560675367]
Crabは、クロス環境タスクをサポートするように設計された最初のベンチマークフレームワークである。
私たちのフレームワークは複数のデバイスをサポートし、Pythonインターフェースで簡単に任意の環境に拡張できます。
実験の結果、GPT-4oの1剤が38.01%の最高完成率を達成することが示された。
論文 参考訳（メタデータ） (2024-07-01T17:55:04Z) - 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) - TaskWeaver: A Code-First Agent Framework [50.99683051759488]
TaskWeaverは、LLMで動く自律エージェントを構築するためのコードファーストフレームワークである。
ユーザ要求を実行可能なコードに変換し、ユーザ定義プラグインを呼び出し可能な関数として扱う。
リッチなデータ構造、フレキシブルなプラグイン利用、動的プラグイン選択のサポートを提供する。
論文 参考訳（メタデータ） (2023-11-29T11:23:42Z)
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。