論文の概要: Protocol-Preserving Context Trimming for Agentic Workflows: Benefits, Failure Regimes, and Budget Guardrails

• arxiv url: http://arxiv.org/abs/2609.16461v1
• Date: Tue, 15 Sep 2026 00:27:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.279996
• Title: Protocol-Preserving Context Trimming for Agentic Workflows: Benefits, Failure Regimes, and Budget Guardrails
• Title（参考訳）: エージェントワークフローのためのプロトコル保存コンテキストトリミング - メリット、障害レジーム、予算ガードレール
• Abstract要約: エージェント型大規模言語モデル(LLM)システムは、命令、中間決定、未解決の依存関係を保存するために長い相互作用履歴に依存している。 本研究では,マルチステップエージェントアプローチにおける信頼性制約型アプローチとしてプロトコル保存コンテキストトリミングを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic large language model (LLM) systems rely on long interaction histories to preserve instructions, tool states, intermediate decisions, and unresolved dependencies, but unrestricted context growth increases computational cost and can reduce efficiency. This study evaluates protocol-preserving context trimming as a reliability-constrained approach for multi-step agentic workflows. Five trimming strategies - recency-based, relevance-based, summarization, protocol-aware trimming, and adaptive budget guardrails - were compared across retained-context levels and workflow-complexity classes using task success, protocol adherence, valid tool calls, token savings, latency reduction, cascading failures, and critical context thresholds. Conventional strategies achieved about 60% mean token savings but lower task success (66.6-77.3%) and protocol adherence (85.5-88.6%). Protocol-aware trimming improved task success to 92.2%, while adaptive guardrails achieved 96.0% task success, 96.3% protocol adherence, and 1.0% cascading failure with 56.0% mean token savings. Retained-context budgets of 25% or less increased failure odds 10.92-fold relative to budgets of 50% or more (p < 0.001). Protocol-aware trimming produced 5.24-fold greater odds of successful completion than conventional methods under aggressive budgets, while adaptive guardrails further increased success odds 2.11-fold versus fixed protocol-aware trimming (p < 0.001). Critical context thresholds also increased with workflow complexity. These findings indicate that reliable context reduction depends more on preserving protocol-critical state than on maximizing token removal, and that adaptive guardrails can improve efficiency, scalability, and reliability in long-horizon agentic systems.
• Abstract（参考訳）: エージェント型大規模言語モデル(LLM)システムは、命令、ツール状態、中間決定、未解決の依存関係を保存するために長い相互作用履歴に依存するが、制約のない文脈成長は計算コストを増大させ効率を低下させる。 本研究では,マルチステップエージェントワークフローのための信頼性制約付きアプローチとしてプロトコル保存コンテキストトリミングを評価する。 5つのトリミング戦略 – 関連ベース、関連ベース、要約、プロトコル対応トリミング、適応型予算ガードレール – は、タスク成功、プロトコル順守、有効なツールコール、トークンセーブ、レイテンシ低減、カスケード障害、クリティカルコンテキストしきい値を使用して、保持されたコンテキストレベルとワークフロー複雑度クラスで比較された。 従来の戦略では、約60%のトークンセーブを達成しているが、タスク成功率(66.6-77.3%)とプロトコル順守率(85.5-88.6%)は低い。 プロトコル対応トリミングによりタスク成功率は92.2%に向上し、適応ガードレールは96.0%のタスク成功、96.3%のプロトコル準拠、1.0%のカスケード障害、56.0%の平均トークンセーブを達成した。 残留コンテキスト予算25%以下は、50%以上の予算に対して10.92倍(p < 0.001)である。 プロトコル対応トリミングは、アグレッシブな予算の下で従来の方法よりも5.24倍の完成率を示し、アダプティブガードレールは成功率2.11倍と固定プロトコル対応トリミング(p < 0.001)を更に増加させた。 ワークフローの複雑さによって、クリティカルなコンテキストしきい値も増加した。 これらの結果から, 信頼性の低下は, トークン除去の最大化よりもプロトコルクリティカル状態の保存に依存することが示唆され, 長期エージェントシステムの効率性, スケーラビリティ, 信頼性が向上することが示唆された。

関連論文リスト

• TACIT-Switch: Cost-Aware Model Escalation for LLM Agents from Censored Supervision [2.681967953218225]
  より小さな言語モデルバックボーンを持つエージェントは永続的な障害モードにドリフトできるが、より大きなバックボーンを持つエージェントは一般的により信頼性が高いがよりコストがかかる。 この信頼性の高いトレードオフは、より大きなバックボーンを持つエージェントをいつ呼び出すかを決定するルーティングメソッドを動機付けます。 提案手法であるTACIT-SWITCHは,蓄積された軌跡の証拠から永久的ハンドオフポリシーを学習する。
  論文  参考訳（メタデータ） (2026-08-28T04:33:11Z)
• When Replanning Becomes the Bottleneck: Budgeted Replanning for Embodied Agents [1.7674345486888505]
  本稿では、予算制御ループとして再計画を定式化するコントローラBRACEについて述べる。 コスト対応のプログレッシブトークンプルーニング手法であるE-RECAPを導入する。 Meta Habitat、RoboFactory、AirSimの他、E-RECAPを使用したBRACEは、リプランニングコールトークン数を62-92%削減する。
  論文  参考訳（メタデータ） (2026-08-02T18:17:35Z)
• Metis: Learning to Jailbreak LLMs via Self-Evolving Metacognitive Policy Optimization [51.11398557420066]
  我々は、推論時ポリシー最適化としてジェイルブレイクを改定するフレームワークであるMetisを紹介する。 メティスは比較手法の中でも89.2%で最強のアタック成功率(ASR)を達成している。 冗長な探索を最適化に置き換えることで、Metisはトークンコストを平均8.2倍、最大11.4倍に削減する。
  論文  参考訳（メタデータ） (2026-05-11T06:45:00Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Stepwise Penalization for Length-Efficient Chain-of-Thought Reasoning [66.22060690012512]
  大規模な推論モデルは、より多くのテストタイム計算で改善されるが、しばしば過大評価され、正確さを向上することなくコストを上昇させる必要のない長い連鎖を生み出す。 本研究は,本質的な貢献に基づいて,ステップ間の長さ短縮を割り当てる,きめ細かいフレームワークであるSWAPを提案する。
  論文  参考訳（メタデータ） (2026-02-27T20:23:59Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• LLM-Based Agentic Negotiation for 6G: Addressing Uncertainty Neglect and Tail-Event Risk [25.00990717105066]
  本稿では,6Gネットワークにおけるエージェント交渉のためのリスク対応フレームワークを提案する。 エージェントの目的を平均の推論から尾の推論へとシフトさせ、最悪の場合の結果に対して統計的に座屈したバッファを構築する。 この信頼性は、わずかに省エネする合理的で定量的なコストを17%に抑え、偏りのあるアプローチの誤った経済を露呈することを示している。
  論文  参考訳（メタデータ） (2025-11-24T14:36:11Z)
• Efficient Adversarial Malware Defense via Trust-Based Raw Override and Confidence-Adaptive Bit-Depth Reduction [0.0]
  敵防衛の最近の進歩は強い堅牢性の向上を示している。 4倍から22倍までの計算オーバーヘッドは、数百万のサンプルを毎日処理するプロダクションシステムにとって大きな課題となる。 信頼適応型TROと信頼適応型ビット深度削減を組み合わせた新しいフレームワークを提案する。 提案手法は1.76倍の計算オーバーヘッドを達成し,最先端のスムージングディフェンスよりも2.3倍改善した。
  論文  参考訳（メタデータ） (2025-11-16T23:21:44Z)
• Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
  現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。 このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。 本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T22:24:21Z)
• Towards Secure and Explainable Smart Contract Generation with Security-Aware Group Relative Policy Optimization [18.013438474903314]
  本稿では,スマートコントラクト生成をセキュアかつ説明可能なフレームワークであるSmartCoder-R1を提案する。 我々は、人間のセキュリティ分析をエミュレートするためにモデルを訓練する。 SmartCoder-R1は、テクニックの新たな状態を確立し、5つの主要なメトリクスで最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-12T03:14:50Z)
• Making Every Step Effective: Jailbreaking Large Vision-Language Models Through Hierarchical KV Equalization [74.78433600288776]
  HKVE (Hierarchical Key-Value Equalization) は、勾配最適化結果を選択的に受け入れる革新的なジェイルブレイクフレームワークである。 HKVEは既存の手法を20.43%,21.01%,26.43%のマージンで大幅に上回った。
  論文  参考訳（メタデータ） (2025-03-14T17:57:42Z)
• Divergence-Based Domain Transferability for Zero-Shot Classification [78.55044112903148]
  事前訓練されたニューラルネットワークモデルから学習パターンを転送することで、さまざまな言語ベースのタスクにおける効果が大幅に向上することが示されている。 中間タスクが目的タスクと十分に関係している場合、中間タスクのさらなるチューニングにより、さらなるパフォーマンス上のメリットが示される。 しかし、関連するタスクの特定方法はオープンな問題であり、効果的なタスクの組み合わせをブルートフォースで探すのは非常に高価である。
  論文  参考訳（メタデータ） (2023-02-11T16:04:38Z)

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。