論文の概要: Foundations of Proactive Agents: Principles, Technical Layers, and Proactivity-Gym

• arxiv url: http://arxiv.org/abs/2609.37267v1
• Date: Tue, 29 Sep 2026 11:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.437324
• Title: Foundations of Proactive Agents: Principles, Technical Layers, and Proactivity-Gym
• Title（参考訳）: プロアクティブエージェントの基礎:原理, 技術層, プロアクティブ・ジム
• Abstract要約: 本研究は, 3つの連立原理を中心に, 積極的LCMエージェントの設計, 実現, 評価のための基盤の提案である(3T)。 目的を,タスクスコープ,予測地平線,アクティベーショントリガ,処理タイミング,介入深さの5つの次元で構成した設計空間に接続し,その選択を支援するために必要な状況とシステムモデリングを指定する。 最後に,マルチデイシナリオ,ステートフル環境,ペルソナ条件のシミュレートされたユーザを含むシミュレーションベースの評価テストベッドであるPromotivity-GYMを提案する。
• 参考スコア（独自算出の注目度）: 29.41756265571631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proactive LLM agents can turn idle compute into useful support before users ask. Yet even correct work can misread user context, impose review costs, or undermine trust. This work proposes foundations for designing, realizing, and evaluating proactive LLM agents around three joint principles (3T): Task Capability, anticipating relevant needs and correctly performing useful work; Temporal Allocation, allocating compute according to resource availability and when results are needed; and Trust, sustaining users' confidence and appropriate reliance on the agent. We connect these objectives to a design space organized around five dimensions: task scope, anticipation horizon, activation trigger, processing timing, and intervention depth, and specify the situation and system modeling needed to support its choices, including user and environment representations, backbone LLMs, and agent harnesses. Lastly, we propose PROACTIVITY-GYM, a simulation-based evaluation testbed including multi-day scenarios, stateful environments, and persona-conditioned simulated users that can evaluate the consequences of proactive assistance across interactions. Evaluations across 23 model-harness configurations uncover substantial performance gaps across 3T and reveal that LLM judges often conflate task capability and trust. A human study with 30 participants demonstrates the importance of the joint 3T optimization: participants show sharp trust declines after intervention misalignment despite correct outcomes, and prefer sleep-time assistance, even when imperfect, to preserve ongoing focus. Together, these findings support designing and evaluating proactive agents through the joint consideration of useful work, compute allocation, and evolving user trust.
• Abstract（参考訳）: アクティブなLLMエージェントは、ユーザが尋ねる前にアイドル計算を有用なサポートに変えることができる。 しかし、正しい作業であっても、ユーザのコンテキストを誤読したり、レビューコストを課したり、信頼を損なったりします。 本研究は,3つの共同原則(3T):タスク能力,関連するニーズを予測し,適切な作業を行うためのタスク能力,リソースの可利用性に応じて計算を割り当てる時間的割当,結果が必要なときの信頼,そしてエージェントに対するユーザの信頼と適切な信頼を維持するための信頼,の3つについて,積極的LLMエージェントの設計,実現,評価の基盤を提案する。 これらの目的を、タスクスコープ、予測地平線、アクティベーショントリガ、処理タイミング、介入深さの5つの次元で構成した設計空間に接続し、ユーザおよび環境表現、バックボーンLLM、エージェントハーネスを含む、その選択をサポートするために必要な状況とシステムモデリングを指定する。 最後に,多日シナリオ,ステートフル環境,ペルソナ条件のシミュレーションユーザを含むシミュレーションベースの評価テストベッドであるPromotivity-GYMを提案する。 23のモデルハーネス構成による評価では、3T間の大幅なパフォーマンスギャップが明らかになり、LLM判事がしばしばタスク能力と信頼性を説明できることが明らかになった。 30人の被験者による人間による研究は、共同3T最適化の重要性を証明している: 参加者は、適切な結果にもかかわらず介入ミス修正後の信頼の低下を示し、たとえ不完全であっても睡眠時の援助を好んで、継続的な焦点を維持する。 これらの知見は、有用な作業、計算割り当て、ユーザ信頼の進化を共同で考慮し、プロアクティブエージェントの設計と評価を支援する。

関連論文リスト

• Beyond "ChatGPT Can Make Mistakes": Designing Interventions to Support Metacognitive Monitoring in AI-Assisted Work [21.306270561292454]
  AIアシストは、自身の能力とシステムの能力を判断しなければならないユーザに対して、メタ認知的要求を課す。 私たちは11人の専門家から30の介入を募り、それらを設計空間にまとめました。 我々は、共有語彙、設計空間、計測された監視とタスクパフォーマンスが分離可能な設計目標であることの証明に貢献する。
  論文  参考訳（メタデータ） (2026-09-15T12:09:18Z)
• From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
  本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。 まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。 次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
  論文  参考訳（メタデータ） (2026-06-14T05:40:16Z)
• Anticipate and Learn: Unleashing Idle-Time Compute in Proactive Agents [51.46570338144688]
  ProActは、アイドルタイム計算を利用して、今後のユーザニーズを予測し、満たすプロアクティブエージェントアーキテクチャである。 進化する対話履歴を永続記憶とともに解析することにより、ProActは今後のニーズを予測し、情報を反復的に取得する。 MemBenchの評価では、ProActが最先端の反射精度を達成し、持続的で堅牢な性能を裏付けている。
  論文  参考訳（メタデータ） (2026-05-25T15:47:21Z)
• Pushing Forward Pareto Frontiers of Proactive Agents with Behavioral Agentic Optimization [61.641777037967366]
  プロアクティブな大規模言語モデル(LLM)エージェントは、複数のターンで積極的に計画し、クエリし、相互作用することを目的としている。 エージェント強化学習(RL)は、マルチターン環境でエージェントを訓練するための有望なソリューションとして登場した。 本稿では,行動強化と情報収集能力の強化を両立させたエージェントRLフレームワークであるBAOを提案する。
  論文  参考訳（メタデータ） (2026-02-11T20:40:43Z)
• Training Proactive and Personalized LLM Agents [107.57805582180315]
  生産性, 積極性, パーソナライゼーションの3つの側面を共同で最適化する多目的強化学習手法である PPP を導入する。 PPP訓練剤はGPT-5(平均21.6)などの強いベースラインよりも大幅に改善されている。 この研究は、ユーザ中心のインタラクションを明示的に最適化することが、実用的で効果的なAIエージェントを構築する上で重要であることを実証している。
  論文  参考訳（メタデータ） (2025-11-04T02:59:36Z)
• Beyond Reactivity: Measuring Proactive Problem Solving in LLM Agents [3.0745879700441385]
  PROBEは3つのコア機能のパイプラインとして活性を分解する。 GPT-5とClaude Opus-4.1の両方で、40%の最高のエンドツーエンドパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-22T17:00:45Z)
• DoubleAgents: Exploring Mechanisms of Building Trust with Proactive AI [29.777890680647186]
  DoubleAgentsは、ユーザの介入を通じて透明性とコントロールを組み込むエージェント計画ツールである。 内蔵された応答シミュレーションは現実的なシナリオを生成し、ユーザーはリハーサルし、ポリシーを洗練し、信頼度を調整できる。
  論文  参考訳（メタデータ） (2025-09-16T03:43:13Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)

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。