論文の概要: AECP: Artifact-Exclusive Communication Protocol for Multi-Agent Code Generation

• arxiv url: http://arxiv.org/abs/2610.06481v1
• Date: Mon, 05 Oct 2026 15:08:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:07:47.683853
• Title: AECP: Artifact-Exclusive Communication Protocol for Multi-Agent Code Generation
• Title（参考訳）: AECP:マルチエージェントコード生成のためのアーチファクト排他的通信プロトコル
• Abstract要約: Artifact-Exclusive Communication Protocol (AECP) は、実行時に共有情報を動作させる。 AECPは、エージェントが構造化されたアーティファクトを通してのみ通信する必要がある。 平均テストパス率を28.2%改善し、エージェントチームと比較して平均壁時間を16.5%削減する。
• 参考スコア（独自算出の注目度）: 15.201261273812376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As AI agents increasingly tackle complex repository-level coding tasks, distributing work across multiple agents is a natural way to scale beyond the capabilities of a single agent. To coordinate their interdependent work, these agents share findings and agree on interfaces between modules. However, exchanged information often serves only as context, leaving individual agents to interpret it and incorporate it into subsequent work. Consequently, shared findings may go unused and deviations from interface agreements may go undetected, undermining the reliability and efficiency of collaboration. This motivates moving part of the coordination responsibility from individual agents to the execution harness. To make shared information actionable during execution, we introduce the Artifact-Exclusive Communication Protocol (AECP). AECP requires agents to communicate exclusively through structured artifacts and specifies how the harness processes them. The harness supplies findings when agents access relevant code, screens implementations for mismatches with recorded interface commitments, and requires affected agents to revisit revised agreements. These coordination steps become part of harness execution rather than actions that agents must initiate from prior messages. Across Doc2Repo, NL2Repo, and CodeProjectEval, using closed- and open-source models including Opus-4.8 and DeepSeek-V4-Flash, AECP improves average test pass rate by 28.2% and reduces average wall time by 16.5% relative to an agent team using free-form inter-agent messages. Artifact-exclusive communication also blocks the relay of malicious instructions between agents, reducing how often they reach other agents from 95% to 0% and how often those agents act on them from 40% to 0%.
• Abstract（参考訳）: AIエージェントが複雑なリポジトリレベルのコーディングタスクに取り組みつつある中、複数のエージェントに分散する作業は、単一のエージェントの能力を超える自然な方法である。 相互依存的な作業を調整するため、これらのエージェントは発見を共有し、モジュール間のインターフェースに合意する。 しかし、交換された情報はしばしば文脈としてのみ機能し、個々のエージェントがそれを解釈し、その後の作業に組み込む。 その結果、共有された発見は使われず、インターフェース契約からの逸脱は検出されず、コラボレーションの信頼性と効率を損なう可能性がある。 これにより、調整責任の一部が個々のエージェントから実行ハーネスに移動される。 実行中に共有情報を動作可能にするために,Artifact-Exclusive Communication Protocol (AECP)を導入する。 AECPはエージェントに対して、構造化されたアーティファクトを通じてのみ通信し、ハーネスがどのように処理するかを指定することを要求する。 このハーネスは、エージェントが関連するコードにアクセスするときの発見を提供する。 これらの調整ステップは、エージェントが前のメッセージから開始しなければならないアクションではなく、実行の一部になる。 Opus-4.8やDeepSeek-V4-Flashといったクローズドおよびオープンソースモデルを使用したDoc2Repo、NL2Repo、CodeProjectEval全体で、AECPは平均テストパス率を28.2%改善し、フリーフォームのエージェントチームと比較して平均壁時間を16.5%削減した。 人工的排他的コミュニケーションは、エージェント間の悪意ある指示の中継をブロックし、95%から0%まで、そしてそれらのエージェントが40%から0%へと作用する頻度を減少させる。

関連論文リスト

• Emergent Collusion in Long-Horizon LLM Agent Interaction [54.47975581249992]
  長距離マルチエージェント環境における衝突の発生について検討した。 検証プロトコルに違反するだけで高い報酬が達成できる現実的な制約を導入する。 衝突は10モデルにわたる軌道の94%で発生し、同じファミリー内のより有能なモデルがそれより早く到達する。
  論文  参考訳（メタデータ） (2026-09-21T17:52:48Z)
• 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)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• ALARA for Agents: Least-Privilege Context Engineering Through Portable Composable Multi-Agent Teams [0.0]
  宣言型コンテキストエージェント・ツール(CAT)データ層を関連ファイルを通じて表現し,各エージェントのツールアクセスとコンテキストを,その役割に必要な最小限に制限する。 システムがこれらのファイルを構造的に解析し強制するため、エージェントのツールリストを変更することで、モデルが従うかもしれない、あるいは従わないかもしれないという提案よりも、保証された振る舞いの変更が生成される。 我々は,ファイル操作,Web検索,マルチステップスクリプティング,ツールチェーン,マルチエージェントデリゲートにまたがる115の実用的なタスクに対して,0.6Bから35Bパラメータのローカルホストモデル22を評価した。
  論文  参考訳（メタデータ） (2026-03-20T18:00:09Z)
• DIG to Heal: Scaling General-purpose Agent Collaboration via Explainable Dynamic Decision Paths [29.11412449913759]
  本研究では,汎用大規模言語モデル (LLM) エージェントで構成されるマルチエージェントシステムについて検討する。 エージェントアクティベーションとインタラクションの因果ネットワークとして,創発的コラボレーションを捉えた動的インタラクショングラフ(DIG)を導入する。
  論文  参考訳（メタデータ） (2026-02-27T20:59:37Z)
• Agent Context Protocols Enhance Collective Inference [25.611935537078825]
  エージェントコンテキストプロトコル(エージェントコンテキストプロトコル、ACP)は、エージェントエージェント通信、調整、エラー処理のための、ドメインおよびエージェントに依存しないプロトコルのファミリーである。 ACPは永続的な実行青写真と標準化されたメッセージスキーマを組み合わせることで、堅牢でフォールトトレラントな集団推論を可能にする。 ACPによるジェネラリストシステムは最先端のパフォーマンスに到達し、長い水平ウェブアシストと最高のマルチモーダル技術レポートのためのAssistantBenchの精度は28.3%である。
  論文  参考訳（メタデータ） (2025-05-20T16:28:08Z)
• Towards Collaborative Intelligence: Propagating Intentions and Reasoning for Multi-Agent Coordination with Large Language Models [41.95288786980204]
  現在のエージェントフレームワークは、シングルエージェント実行への依存に悩まされ、モジュール間通信が堅牢でないことが多い。 協調的なMARLにおける協調行動を可能にするための協調エージェントとして,大規模言語モデルを訓練するためのフレームワークを提案する。 伝搬ネットワークは、放送意図をチームメイト固有のコミュニケーションメッセージに変換し、指定されたチームメイトと関連する目標を共有する。
  論文  参考訳（メタデータ） (2024-07-17T13:14:00Z)
• Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
  ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。 ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-05T15:08:16Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Learning Individually Inferred Communication for Multi-Agent Cooperation [37.56115000150748]
  我々はエージェントエージェントがエージェントエージェントコミュニケーションの事前学習を可能にするために、個別推論通信(I2C)を提案する。 先行知識は因果推論によって学習され、フィードフォワードニューラルネットワークによって実現される。 I2Cは通信オーバーヘッドを減らすだけでなく、様々なマルチエージェント協調シナリオのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-11T14:07:57Z)

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。