論文の概要: Raven: The Harness of Harnesses for Composable Agentic Intelligence
- arxiv url: http://arxiv.org/abs/2609.33439v1
- Date: Sun, 27 Sep 2026 10:44:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 16:51:42.234202
- Title: Raven: The Harness of Harnesses for Composable Agentic Intelligence
- Title（参考訳）: Raven: 構成可能なエージェントインテリジェンスのためのハーネスのハーネス
- Abstract要約: 私たちはRavenを紹介します。Ravenはオープンソースのマルチエージェントエコシステムで、特定のモデルやドメイン用のモジュールハーネスを自動構築し、進化させます。
我々の理論は、利用可能な個々のエージェント以上の信頼性の高いタスクカバレッジを拡張するのに十分な条件を確立する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As large language models advance, AI agents are moving beyond isolated, domain-specific tasks toward long-horizon, cross-domain workflows. This transition exposes two challenges: increasing harness complexity makes manual design difficult to scale, while tighter coupling to specific domains limits the generality of a single harness. The central question thus shifts from how to engineer a stronger harness for one domain to how to autonomously construct specialized harnesses, improve them through experience, and orchestrate them across domains. We introduce Raven, \emph{The Harness of Harnesses}, an open-source multi-agent ecosystem that automatically constructs and evolves modular harnesses for specific models and domains, treating each executable model--harness pair as a composable unit of intelligence. To support an \emph{All-Domain Collaboration Network}, its Host Agent decomposes goals, matches subtasks to specialized agents, coordinates execution dependencies, and integrates results, while a host archive and EverOS preserve experience across tasks and Skill Forge makes that experience available as reusable procedures. Our theory establishes sufficient conditions for such composition to expand reliable task coverage beyond that of the available individual agents under a shared resource budget. On complex and long-horizon tasks, Raven significantly outperforms the state-of-the-art agent systems, pushing the frontier of composable agentic intelligence.
- Abstract（参考訳）: 大規模な言語モデルが進むにつれ、AIエージェントは孤立したドメイン固有のタスクを越えて、長期にわたるクロスドメインワークフローへと移行している。
ハーネスの複雑さの増加は手動設計のスケーリングを難しくする一方で、特定のドメインとの密結合は単一のハーネスの一般性を制限する。
この中心的な疑問は、あるドメインに対してより強力なハーネスを設計する方法から、専門的なハーネスを自律的に構築し、経験を通じて改善し、ドメイン間でそれらをオーケストレーションする方法へと移行する。
我々はRaven, \emph{The Harness of Harnesses}を紹介した。これはオープンソースのマルチエージェントエコシステムで、特定のモデルやドメインのためのモジュラーハーネスを自動構築し、進化させ、それぞれの実行可能なモデル-ハーネスペアを構成可能なインテリジェンス単位として扱う。
emph{All-Domain Collaboration Network}をサポートするために、ホストエージェントはゴールを分解し、サブタスクを特別なエージェントにマッチさせ、実行依存を調整し、結果を統合する。
本理論は,共有資源予算の下で利用可能な個人エージェント以上の信頼性の高いタスクカバレッジを拡大するための十分な条件を確立するものである。
複雑で長期にわたるタスクにおいて、Ravenは最先端のエージェントシステムを大幅に上回り、構成可能なエージェントインテリジェンスのフロンティアを推し進めている。
関連論文リスト
- Rethinking Multi-Agent Collaboration: When More Is Less [26.665862829215587]
本稿では,Semantic-Aware Incremental Graph Evolutionに基づく,軽量なマルチエージェント協調機構であるSAIGEを提案する。
SAIGEは文脈効率とタスク性能のトレードオフを良好に実現していることを示す。
以上の結果から,マルチエージェントの優越性は普遍的ではなくタスク構造によって制限されていることが示唆された。
論文 参考訳（メタデータ） (2026-09-17T06:29:12Z) - Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence [115.91847478507736]
LLMは言語ジェネレータから、複雑な長距離タスクが可能な自律エージェントへと進化してきた。
多くのタスクにはヘテロジニアスな専門知識、相互依存サブタスク、並列実行、独立検証、永続状態が必要である。
私たちはこれをシステムインテリジェンス(System Intelligence)と呼び、複数のインテリジェントなコンポーネントを一貫した適応的な全体へと整理し、コーディネートするエージェントシステムの能力である。
論文 参考訳（メタデータ） (2026-08-21T14:27:57Z) - AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning [57.72181998599248]
AgentFugueは、共通の推論ハブを中心に構築された、集合的推論フレームワークである。
ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが何を確立、試み、あるいは除外したかを簡潔に記録する。
この結果から,集団推論によってピアエージェントシステムのスケールアウトが実現可能であることが示唆された。
論文 参考訳（メタデータ） (2026-05-23T09:21:51Z) - Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。
具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。
我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2025-11-21T12:25:47Z) - CausalMACE: Causality Empowered Multi-Agents in Minecraft Cooperative Tasks [16.633868216217948]
マルチエージェントシステムを強化するために設計された全体論的因果計画フレームワークCausalMACEを提案する。
提案フレームワークでは,グローバルなタスク計画のための包括的なタスクグラフと,依存性管理のための因果性ベースのモジュールの2つのモジュールを紹介した。
実験により,Minecraftのマルチエージェント協調作業における最先端性能を実証した。
論文 参考訳（メタデータ） (2025-08-26T08:29:05Z) - AgentOrchestra: Orchestrating Hierarchical Multi-Agent Intelligence with the Tool-Environment-Agent(TEA) Protocol [22.406849007798858]
本稿では,環境,エージェント,ツールを統一システムに統合するツール-環境-エージェントプロトコルを提案する。
本稿では,複雑な目的を分解し,特殊エージェントをコーディネートする中央計画エージェントを備えた階層型マルチエージェントフレームワークであるAgensOrchestraを紹介する。
論文 参考訳（メタデータ） (2025-06-14T13:45:37Z) - Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。
我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。
IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
論文 参考訳（メタデータ） (2024-07-09T17:33:24Z)
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。