論文の概要: LazyAgent: Demand-Driven Materialization and Physical Optimization of Agentic Programs
- arxiv url: http://arxiv.org/abs/2609.23058v1
- Date: Sat, 19 Sep 2026 14:44:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:03.921916
- Title: LazyAgent: Demand-Driven Materialization and Physical Optimization of Agentic Programs
- Title（参考訳）: LazyAgent: エージェントプログラムの需要駆動型物質化と物理最適化
- Abstract要約: 現在のエージェントは実行前に計画するランタイムで、準備が整ったらステップを実行するのが一般的である。
本稿では,エージェントオーサリングプログラムのための統一実行フレームワークであるLazyAgentについて紹介する。
LazyAgentは、要求された出力から後方のクロージャをリフレッシュし、実行状態が変更され、アクティブなゴールが必要な場合にのみ準備可能なノードが実現される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current agent runtimes that plan before acting generally execute a step once it becomes ready. We present LazyAgent, a unified execution framework for agent-authored programs organized around a live, goal-derived demanded set. LazyAgent refreshes a backward closure from requested outputs as execution state changes and materializes a ready node only when the active goal requires it. This replaces repeated local judgments with one linear-time graph analysis followed by constant-time membership tests, allowing programs to remain broad while execution stays request-specific. On programs that describe more than the current request needs, LazyAgent consistently outperforms the strongest goal-stopping eager baseline by refusing unrelated work before it starts. Adding one unrelated product raises the eager bill by 22.5% and LazyAgent's by 0.0%. LazyAgent saves 42.0% of measured CPU on production scientific workflows and 51.7% of container time on a live release gate spanning four repositories. We also prove and verify exact equivalence when the request reaches the whole graph, leaving no unrelated work to avoid. Beyond permission, goal-relative output projection saves up to approximately 90% of a shared step on two third-party test suites while the identical eager control saves 0.0%; the advantage disappears when the omitted output has no other consumer or the request needs it. Ordering, reuse, and pruning can also save cost, but do not replace permission. Finally, we show that current public benchmarks are eager-shaped and contain almost no unrequested work. A pre-registered planning intervention did not broaden them. These findings motivate benchmarks built from standing programs and sequences.
- Abstract（参考訳）: 現在のエージェントは実行前に計画するランタイムで、準備が整ったらステップを実行するのが一般的である。
本稿では,エージェントオーサリングプログラムのための統一実行フレームワークであるLazyAgentについて紹介する。
LazyAgentは、要求された出力から後方のクロージャをリフレッシュし、実行状態が変更され、アクティブなゴールが必要な場合にのみ準備可能なノードが実現される。
これは、繰り返し発生する局所的な判断を1つの線形時間グラフ解析に置き換え、その後に一定時間のメンバーシップテストを行い、実行が要求固有である間にプログラムを広く維持することを可能にする。
LazyAgentは、現在の要求以上の要求を記述したプログラムにおいて、開始前に無関係な作業を拒否することで、最強の目標達成ベースラインを一貫して上回ります。
1つの無関係な製品を追加すると、熱心な請求額は22.5%、LazyAgent'sは0.0%上昇する。
LazyAgentは4つのリポジトリにまたがるライブリリースゲートで42.0%のCPUと51.7%のコンテナ時間を節約する。
また、要求がグラフ全体に到達するときの正確な等価性を証明し、検証します。
許可の他に、ゴール相対出力プロジェクションは、2つのサードパーティテストスイートで共有ステップの90%を節約し、同じエキサイティングコントロールは0.0%を節約する。
注文、再利用、プルーニングもコストを節約できるが、パーミッションを置き換えることはできない。
最後に、現在の公開ベンチマークは熱狂的な形であり、要求されない作業はほとんど含まれていないことを示す。
事前登録された計画の介入はそれらを拡大しなかった。
これらの発見は、スタンディングプログラムとシーケンスから構築されたベンチマークを動機付けている。
関連論文リスト
- EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。
本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。
共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
論文 参考訳（メタデータ） (2026-09-01T14:14:47Z) - ROPE: Routed Origin Policy Enforcement against Indirect Prompt Injection [61.4148196085256]
本稿では,信頼という構造概念に根ざしたROPE(Routed Origin Policy Enforcement)について述べる。
提案手法では,(1)軌道の各段階において,攻撃可能コンテンツのみを起点とする値が,原点保護パラメータに到達しない,(2)注入のリワードがない,という2つの保証が認められている。
論文 参考訳（メタデータ） (2026-08-27T01:22:14Z) - TOPAS: Workflow-Aware Prefix-State Scheduling for Multi-Agent LLM Serving [8.123227365399869]
タスク指向のプレフィックス・アウェア・スケジューラTOPASを提案する。
TOPASは、各タスクの最も長いサービスパスの期待される削減をトレードオフすることで、候補の事後状態をスコアする。
TOPASは各ワークロードとメトリックの最高のパフォーマンスベースラインと比較して、平均/p99 JCTを最大39.8%削減する。
論文 参考訳（メタデータ） (2026-08-26T08:33:10Z) - AgentRewind: Recoverable Execution for Long-Horizon LLM Agents [32.44158037765297]
我々は,エージェントコンテキストと制御環境の整列チェックポイントを記録するランタイムリカバリフレームワークであるAgentRewindを紹介する。
また,タスク完了と長期工学的課題の部分的進捗を評価するベンチマークであるMettleBenchを構築した。
論文 参考訳（メタデータ） (2026-08-14T15:20:35Z) - The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
推論駆動最適化のための統合フレームワークであるReASearchを提案する。
共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。
我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
論文 参考訳（メタデータ） (2026-08-07T02:15:39Z) - OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents [52.15259607762389]
自律型エージェントのための長距離ハーネスであるOneDayAgentを紹介する。
OneDayAgentはオープンなリクエストをマネージドな実行プロセスに変換する。
我々は104のタスクでAgentIF-OneDay上でOneDayAgentを評価する。
論文 参考訳（メタデータ） (2026-08-04T17:55:41Z) - PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。
セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。
SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。
ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
論文 参考訳（メタデータ） (2026-07-18T04:46:53Z) - 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) - Good to Go: The LOOP Skill Engine That Hits 99% Success and Slashes Token Usage by 99% via One-Shot Recording and Deterministic Replay [14.181844060152367]
99%の成功率と99%のトークン削減を実現するシステムである LOOP SKILL ENGINE を提案する。
決定論的実行計画は、時間依存変数と結果依存変数をパラメータ化しながら、タスクの機能的意図をキャプチャする。
周期的エージェントタスクのベンチマークが5分から24時間に及ぶ間、Loop Skill Engineは毎月のトークン消費を93.3%--99.98%削減し、実行遅延を8.7倍削減し、出力非決定性を排除している。
論文 参考訳（メタデータ） (2026-05-14T01:05:35Z) - From Reaction to Anticipation: Proactive Failure Recovery through Agentic Task Graph for Robotic Manipulation [45.37258918150899]
本稿では,操作タスクを有向タスクグラフとしてモデル化するエージェントシステムであるAgentChordを紹介する。
実行前に、このグラフには、コンテキスト対応の修正動作を指定する予測リカバリブランチが組み込まれている。
多様な長距離双方向操作タスクに関する実証研究は、AgentChordが成功率と実行効率を大幅に改善することを示した。
論文 参考訳（メタデータ） (2026-05-12T11:00:45Z) - AgentStop: Terminating Local AI Agents Early to Save Energy in Consumer Devices [9.357681245846898]
大規模言語モデル(LLM)は、複雑で多段階的なタスクを自動化するためにますます使われる。
リモートでクラウドベースのエージェントは、プライバシの懸念を高め、ネットワーク接続に依存し、繰り返し発生するAPIコストを発生させる。
我々はAgentStopを紹介した。AgentStopは軽量な効率スーパーバイザで、未成功の軌道を予測し、プリエンプティブに終了する。
論文 参考訳（メタデータ） (2026-05-01T14:45:37Z)
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。