論文の概要: When Agents Coordinate: Measuring Coordination in Multi-Agent AI Coding

• arxiv url: http://arxiv.org/abs/2608.16801v1
• Date: Mon, 17 Aug 2026 16:57:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.799628
• Title: When Agents Coordinate: Measuring Coordination in Multi-Agent AI Coding
• Title（参考訳）: エージェントのコーディネート:マルチエージェントAI符号化におけるコーディネートの測定
• Abstract要約: 我々は、AIコーディングエージェントのチームがプログラミングタスクを解きながらどのように協調するかを研究する。 現在の評価は通常、エージェントがタスクを完了し、実行コストを報告します。 私たちはこの調整を測る道具を紹介します。 各実行は、エージェントとファイルがノードである時間的ネットワークとして表現され、メッセージ、ファイル書き込み、ファイル読み込みは、関連するコストでタイムスタンプされた指向エッジである。
• 参考スコア（独自算出の注目度）: 5.434361299116438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study how teams of AI coding agents coordinate while solving programming tasks. Current evaluations usually report whether the agents complete the task and how much the run costs, leaving the coordination inside the team largely unmeasured. We introduce an instrument to measure this coordination. Each run is represented as a temporal network in which agents and files are nodes, and messages, file writes, and file reads are timestamped directed edges with an associated cost. We apply this instrument to 1902 runs, each evaluated with a fixed test suite, across configurations that vary the team size, the team structure, and the file policy. The resulting networks show how coordination changes as teams grow and as the work changes. Direct messaging initially increases close to quadratically with the number of agents, with much of this growth coming from an early round of introductions. As the teams grow further, this increase levels off in the largest teams we study, where agents increasingly communicate through broadcast messages. The task also shapes the network that emerges. Work built around a shared specification produces dense, highly connected teams, while pipeline tasks produce sparse networks organised around local interfaces. Shared files can replace repeated 1-to-1 communication, cutting output tokens by about 42% at eight agents on message-heavy work, while adding overhead when files already carry the coordination. Naming one agent as coordinator creates no communication hub and provides no reliable improvement in success. We also observe an unprompted tendency for agents to seek out hidden grading material. We repeat the key experimental conditions in a sealed environment, replacing the hidden material with marked placeholder files. Across 244 additional runs, agents still reach for it in four fifths of runs, while the coordinator and file-channel findings reproduce.
• Abstract（参考訳）: 我々は、AIコーディングエージェントのチームがプログラミングタスクを解きながらどのように協調するかを研究する。 現在の評価では、エージェントがタスクを完了したかどうかとランニングコストを報告し、チーム内の調整はほとんど測定されていない。 私たちはこの調整を測る道具を紹介します。 各実行は、エージェントとファイルがノードである時間的ネットワークとして表現され、メッセージ、ファイル書き込み、ファイル読み込みは、関連するコストでタイムスタンプされた指向エッジである。 この装置を1902年に実施し、チームサイズ、チーム構造、ファイルポリシーに異なる構成の固定テストスイートで評価する。 結果として得られるネットワークは、チームが成長し、仕事が変わるにつれて、調整がどのように変化するかを示しています。 ダイレクトメッセージングは当初、エージェントの数で4分の1近く増加し、そのほとんどが初期の導入ラウンドによるものだ。 チームがさらに成長するにつれて、これは私たちが研究している最大のチームでレベルが低下します。 このタスクは、出現するネットワークを形作る。 共有仕様を中心に構築された作業は、密集した高結合のチームを生成する一方で、パイプラインタスクは、ローカルインターフェースを中心に構成されたスパースネットワークを生成する。 共有されたファイルは、繰り返し1対1の通信を置き換えることができ、メッセージ重みのある作業で出力トークンを8エージェントで約42%削減できる。 1つのエージェントをコーディネータとして呼び出すと、コミュニケーションハブが作成されず、成功の信頼性が向上しない。 また,隠されたグレーティング材料を探索するエージェントの傾向も観察した。 我々は封印された環境で重要な実験条件を繰り返し、隠された材料をマークされたプレースホルダーファイルに置き換える。 追加の244回のランでは、エージェントが5分の4のランで到達し、コーディネーターとファイルチャネルの発見が再現された。

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)
• Scalable Multi-Agent Maze Traversal with Local Communication [1.2875771631391097]
  エージェントが未知の、おそらく巡回グラフを一括してトラバースできる分散アルゴリズムを提案する。 エージェントは指定されたスタートノードで順次入力され、ローカライズされ、未公表のゴールに到達する。 いずれにせよ、探査はエージェントの1人のみが行う。
  論文  参考訳（メタデータ） (2026-08-12T10:21:26Z)
• Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction [57.138342889101345]
  Tencent WorkBuddy Benchは、コーディングエージェントのためのマルチドメイン評価スイートである。 本報告では, 設計手法, スコアリングプロトコル, クロスモデルリーダーボードについて述べる。
  論文  参考訳（メタデータ） (2026-07-23T04:34:06Z)
• Benchmarking Open-Ended Multi-Agent Coordination in Language Agents [48.1363632826625]
  Alemは、手続き的に生成されたコーディネーションタスク、ソフトな特殊化、コミュニケーション、制御可能なコーディネーションの難しさを、長い水平サバイバルの世界に埋め込む。 Craftaxライクなダイナミックス上に構築されたオープンなマルチエージェント協調のためのJAXベースのベンチマークである$alem$を紹介します。
  論文  参考訳（メタデータ） (2026-06-06T21:13:43Z)
• 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)
• GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems [55.12339141172908]
  GoAgentは、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成手法である。 6つのベンチマークの実験では、GoAgentの最先端のパフォーマンスを93.84%の平均精度で証明し、トークン消費を約17%削減した。
  論文  参考訳（メタデータ） (2026-03-20T06:21:32Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)
• A Cordial Sync: Going Beyond Marginal Policies for Multi-Agent Embodied Tasks [111.34055449929487]
  エージェントが協力して家具をリビングルームに移動させるという,新しいタスクFurnMoveを紹介した。 既存のタスクとは異なり、FurnMoveはエージェントが各タイミングで調整する必要がある。 既存の分散化されたアクションサンプリング手順は、表現力のある共同アクションポリシーを許さない。 SynC-policiesとCORDIALを用いて、我々のエージェントはFurnMoveで58%の完成率を達成する。
  論文  参考訳（メタデータ） (2020-07-09T17:59:57Z)

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。