論文の概要: Task-Aware Harness Provisioning for LLM Agents in Mission-Critical Infrastructure Operations
- arxiv url: http://arxiv.org/abs/2608.17433v1
- Date: Tue, 18 Aug 2026 07:03:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.23799
- Title: Task-Aware Harness Provisioning for LLM Agents in Mission-Critical Infrastructure Operations
- Title（参考訳）: ミッションクリティカルインフラストラクチャ運用におけるLCMエージェントのタスクアウェア高調度設定
- Abstract要約: 既存のシステムは、すべてのタスクに同じ包括的なハーネスを公開します。
最適なハーネス構成を特定し、それを各タスクに必要なものとハーネスが提供するものとの間のリソースマッチング問題とみなす。
本稿では,地図誘導エスカレーションという新しいハーネスプロビジョニングアルゴリズムを提案する。タスク固有のハーネスから始まり,自己チェックの失敗後にのみフルプロビジョニングに拡張する。
- 参考スコア（独自算出の注目度）: 15.581912094326638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LLM agents have been widely adopted to operate mission-critical infrastructure (MCI). These agents normally rely on a harness that determines what information they can access, which tools they can use, and what actions they can take. Existing systems often expose the same comprehensive harness to every task, which may not be necessary and cause resource wastes. In this paper, we focus on the identification of optimal harness configurations, and view it as a resource-matching problem between what each task requires and what the harness provides. To measure this match, we classify MCI tasks based on the mathematical representation of the underlying system and rank harness configurations by the amount and type of information they provide. We then construct task-to-harness mappings from two sources: mining research literature and measuring controlled agent execution. Leveraging the measured mapping, we propose a new harness provisioning algorithm: map-guided escalation. It begins with a task-specific harness and expands to full provision only after a failed self-check. We evaluate our method in two representative MCI tasks: in liquid cooling, it improves the agent accuracy from 0.652 under full provision to 0.715 and achieves accuracy comparable to Reflexion with 48% fewer tokens; In power grids, full provision remains accuracy-optimal, while map-based provisioning offers lower-cost alternatives. These findings show that harness provisioning follows a domain-dependent accuracy-cost Pareto frontier rather than a universal optimum.
- Abstract（参考訳）: LLMエージェントはミッションクリティカルインフラストラクチャ(MCI)の運用に広く採用されている。
これらのエージェントは通常、アクセス可能な情報、利用可能なツール、取得可能なアクションを決定するハーネスに依存しています。
既存のシステムは、すべてのタスクに同じ包括的なハーネスを公開し、リソースの無駄を発生させる可能性がある。
本稿では、最適なハーネス構成の同定に焦点をあて、各タスクが必要とするものとハーネスが提供するものとの間のリソースマッチング問題とみなす。
この一致を測るために、基礎となるシステムの数学的表現と、それらが提供する情報量と種類によってランクハーネスの構成に基づいて、MCIタスクを分類する。
次に、マイニング研究文献と制御エージェント実行の測定という2つの情報源からタスク・ツー・ハーネス・マッピングを構築した。
そこで本研究では,地図誘導エスカレーションという新たなハーネスプロビジョニングアルゴリズムを提案する。
タスク固有のハーネスから始まり、自己チェックが失敗した後にのみ、完全なプロビジョニングに拡張される。
液冷では, エージェントの精度を0.652から0.715に改善し, 48%のトークンでReflexionに匹敵する精度を達成した。
これらの結果から, 領域依存の精度の高いParetoフロンティアは, 汎用的な最適化ではなく, 有効利用が可能であることが示唆された。
関連論文リスト
- AgentSLABench: Evaluating and Benchmarking Agentic Systems Under Resource Constraints [0.0]
AgentSLABenchは、自律型AIエージェントのためのリソース認識評価フレームワークである。
宣言されたリソース予算の下で、レイテンシ、コスト、計算、メモリ、ネットワーク使用量とともに正確性を測定する。
論文 参考訳（メタデータ） (2026-08-01T18:17:47Z) - LLM-as-a-Verifier: A General-Purpose Verification Framework [74.40111651545979]
本稿では,汎用検証フレームワーク LLM-as-a-Verifier を紹介する。
追加のトレーニングを必要とせずに、エージェントタスクに対してきめ細かいフィードバックを提供する。
いくつかのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-06T17:59:35Z) - DRFLOW: A Deep Research Benchmark for Personalized Workflow Prediction [44.59825034567626]
多くのエンタープライズタスクは、アクションステップのシーケンスであるコンクリートを特定するためにエージェントを必要とします。
異種ソースからのパーソナライズされた予測を評価するためのベンチマークであるDRFLOWを紹介する。
DRFLOWには5つのドメインに100のタスクがあり、3900以上のソースに1,246の参照ワークフローステップがある。
論文 参考訳（メタデータ） (2026-06-16T17:22:07Z) - AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。
プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。
AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
論文 参考訳（メタデータ） (2025-11-11T14:57:54Z) - How Many Parameters Does Your Task Really Need? Task Specific Pruning with LLM-Sieve [2.33361323991006]
大きな言語モデル(LLM)は、リソース制約された設定において、狭いタスクのためにますますデプロイされる。
LLM-Sieveは,タスク性能の維持に必要な最小パラメータサブセットにLCMを適用可能なフレームワークである。
論文 参考訳（メタデータ） (2025-05-23T20:17:20Z) - Distilling LLM Agent into Small Models with Retrieval and Code Tools [65.73762766854192]
Agent Distillationは、推論能力とタスク解決の振る舞いを大きな言語モデルから小さな言語モデルに移行するためのフレームワークである。
その結果,SLMは0.5B,1.5B,3Bのパラメータで,次世代の1.5B,3B,7Bモデルと競合する性能が得られることがわかった。
論文 参考訳（メタデータ） (2025-05-23T08:20:15Z) - MASTER: A Multi-Agent System with LLM Specialized MCTS [11.780059513577848]
大規模言語モデル(LLM)は、問題解決のためにますます研究されている。
MCTSは、真の報酬分布を近似するために、広範囲なサンプリングシミュレーションに依存している。
LLM専門MCTSによるエージェント採用とコミュニケーションを協調する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-24T08:01:11Z) - Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。
本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
論文 参考訳（メタデータ） (2024-05-13T14:54:37Z) - UneVEn: Universal Value Exploration for Multi-Agent Reinforcement
Learning [53.73686229912562]
我々はUniversal Value Exploration(UneVEn)と呼ばれる新しいMARLアプローチを提案する。
UneVEnは、一連の関連するタスクと、普遍的な後継機能の線形分解を同時に学習する。
一連の探索ゲームにおける実証的な結果、エージェント間の重要な調整を必要とする協調捕食・捕食作業への挑戦、およびStarCraft IIのマイクロマネジメントベンチマークは、UneVEnが他の最先端のMARLメソッドが失敗するタスクを解決できることを示している。
論文 参考訳（メタデータ） (2020-10-06T19:08:47Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z)
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。