論文の概要: AgentRoom: Concurrent Multi-Agent Coding in a CRDT-Backed Shared Workspace
- arxiv url: http://arxiv.org/abs/2608.23740v1
- Date: Mon, 24 Aug 2026 18:28:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.524624
- Title: AgentRoom: Concurrent Multi-Agent Coding in a CRDT-Backed Shared Workspace
- Title（参考訳）: AgentRoom: CRDTベースの共有ワークスペースにおける並行マルチエージェントコーディング
- Abstract要約: AgentRoomは、並列コーディングエージェントのためのリアルタイム協調編集プロトコルである。
ファイルレベルのクレーム、ステータス、およびCRDTマージされたレイヤ上でMPPツールとしてブロードキャストされる。
CLI-stableモデルの場合、2つのエージェントを持つAgentRoomは、Soloよりも少ないタスクを放棄し、実行時のバリエーションを少なくする。
- 参考スコア（独自算出の注目度）: 2.650689617442372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Concurrent multi-agent coding promises division of labor across modules, robustness through redundancy, and parallel exploration at the natural granularity of multi-file projects. Realtime collaborative editing protocols solve this coordination problem for human teams via Conflict-free Replicated Data Types (CRDTs), but the LLMs underneath generate one token at a time and existing multi-agent coding systems inherit this serial limit: they either sequence agents through phase handoffs or pool independent samples without coordination, and a single agent abandons up to half of hard tasks with a one-file stub-and-exit. AgentRoom is a realtime collaborative editing protocol for concurrent coding agents. Its runtime layer exposes file-level claim, status, and broadcast as MCP tools on a CRDT-merged shared filesystem. Five frontier coding-CLI models ran four backend coding tasks, with cross-language checks in Python DevBench and Rust+axum. For CLI-stable models, AgentRoom with 2 agents abandons fewer tasks than Solo and has less run-to-run variation. At matched-compute, one positive mean LLM-judge contrast puts AgentRoom over parallel-merge. The other contrast, a bundle probe, puts full AgentRoom above each partial case: an ordering rather than a percentage split. Coordination, not parallelism or CRDT-merge, bears the load.
- Abstract（参考訳）: 並行マルチエージェントコーディングは、モジュール間の作業の分割、冗長性による堅牢性、マルチファイルプロジェクトの自然な粒度での並列探索を約束する。
リアルタイム協調編集プロトコルは、Conflict-free Replicated Data Types (CRDTs)を介して、人間のチームの協調問題を解決するが、LLMは一度に1つのトークンを生成し、既存のマルチエージェントコーディングシステムがこのシリアル制限を継承する。
AgentRoomは、並列コーディングエージェントのためのリアルタイム協調編集プロトコルである。
ランタイム層はファイルレベルのクレーム、ステータス、ブロードキャストを、CRDTにマージされた共有ファイルシステム上でMPPツールとして公開する。
5つのフロンティアコーディング-CLIモデルは、4つのバックエンドコーディングタスクを実行し、Python DevBenchとRust+axumで言語間チェックを実行した。
CLI-stableモデルの場合、2つのエージェントを持つAgentRoomは、Soloよりも少ないタスクを放棄し、実行時のバリエーションを少なくする。
一致した計算では、1つの正の平均 LLM-judge コントラストは、AgentRoom を並列マージの上に配置する。
もう一方のコントラスト、バンドルプローブは、AgentRoomを各部分ケースの上に配置する。
並列性やCRDTマージではなくコーディネートが負荷を負担する。
関連論文リスト
- FRAMEWORKERS: A Dynamic Multi-Agent Framework for AI-Generated Video Production [55.71860113185132]
本稿では,タスク中心のマルチエージェントフレームワークであるFRAMEWORKERSを紹介した。
Central Directorは、ビデオ生成を動的タスク管理として定式化し、タスクスタックを継続的に編集して、次にどのサブタスクを実行するか、どのサブエージェントを呼び出すかを決定する。
アシスタントは実行層として機能し、選択した各タスクを共有ワークスペースに接地し、必要なアセットとコンテキストを検索し、割り当てられたサブエージェントを呼び出し、結果のアーティファクトを永続化する。
FRAMEWORKERSは、ルーティング精度において強いプランナーよりも優れ、実行時の障害から確実に回復し、目に見えないサブに一般化することを示した。
論文 参考訳（メタデータ） (2026-08-30T14:28:50Z) - AgentPatch: Coarse-to-Fine Weak-Task Repair for Merging Agentic Multimodal Large Language Models [22.004098225093177]
AgentPatchは、エージェント型大規模言語モデルのためのトレーニング不要の粗大な修復フレームワークである。
安定した結合バックボーンを選択し、Wak-Task Unique Residual Recoveryを通じて希薄化した弱いタスク固有の信号を復元し、Agent-Guided Behavior-Critical Patchを適用する。
AgentPatchは、ルーティングやアンサンブルなしで単一の静的チェックポイントを生成する。
論文 参考訳（メタデータ） (2026-08-07T01:52:45Z) - Training Small LLMs as Spatial Multi-Agent Policies [17.254137262162505]
空間的協調ゲームでは両スレッドを取り上げ、小さな凍結LDMは低レベル動作で失敗し、報酬はゼロとなる。
我々は,各ゲームに,記号プランナーによって実行される,型付けされた,状態対応可能な,短期水平動作という,象徴的な入力のライブラリを装備する。
各エージェントのLCMはオプションに対するポリシーとして機能し、エージェントごとのLORAアダプタはマルチエージェントGRPOのエージェントごとの変種によって訓練される。
論文 参考訳（メタデータ） (2026-08-02T18:14:40Z) - 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) - CoAgent: Concurrency Control for Multi-Agent Systems [3.127039011380953]
本稿では、古典的なトランザクションに欠ける能力に基づいて制御を構築する。
起動時にシリアライズ順序を修正し、各順序フィルタリングされた値を読み出し、投機的に書き込みを適用する。
オンラインの25ツールライブラリを成長させ、タスクパスレートを45/71から63/71に引き上げる。
論文 参考訳（メタデータ） (2026-06-13T16:15:14Z) - 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) - Multi-Agent Computer Use [72.79887808312706]
我々はマルチエージェント・コンピュータ・ユース(MACU)システムの評価・構築に向けて進むべきであると論じる。
本稿では、マネージャモデルがコンピュータ使用タスクを有向非巡回グラフ(DAG)として分解する汎用マルチエージェント構成を提案する。
各イテレーションで、マネージャは並列CUAサブエージェントをディスパッチし、DAGの準備ができているフロンティアでノードを実行する。
論文 参考訳（メタデータ） (2026-06-01T01:29:36Z) - Multi-agent Collaboration with State Management [21.19345862774123]
複数のエージェントが同時に共有を編集すると、その変更は静かに衝突し、一貫性のないビューは統合の失敗につながる。
既存のマルチエージェントシステムはワークスペース分離(エージェント毎に1つのgitワークツリーなど)を通じてこの問題に対処している。
マルチエージェントコラボレーションのためのSTORM,すなわちSTate-Oriented Managementを提案する。
論文 参考訳（メタデータ） (2026-05-19T23:45:33Z) - 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) - Effective Strategies for Asynchronous Software Engineering Agents [52.76455094324273]
本稿では,集中型タスクデリゲート,非同期実行,独立したワークスペースという,3つのSWEプリミティブに根ざした構造化マルチエージェント協調パラダイムを導入する。
CAIDは,紙再生タスク(PaperBench)では26.7%,Pythonライブラリ開発タスクでは14.3%,単一エージェントベースラインでは26.7%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-03-23T02:26:35Z) - 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) - Behavior Knowledge Merge in Reinforced Agentic Models [48.89546963456286]
強化学習はポストトレーニングの中心であり、特に特別な推論行動を必要とするエージェントモデルにとって重要である。
既存のマージ手法は教師付き微調整(SFT)のために設計されており、RL学習エージェントモデル上でタスク固有の機能を維持するのに最適である。
本稿では,RL学習エージェントモデル用に明示的に設計された分散対応エージェントマージフレームワークであるReinforced Agent Merging (RAM)を提案する。
論文 参考訳（メタデータ） (2026-01-20T03:56:53Z)
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。