論文の概要: RunningTab: Direct Workspace Interaction with Environment-Side Tabs

• arxiv url: http://arxiv.org/abs/2610.10444v1
• Date: Wed, 07 Oct 2026 17:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.071787
• Title: RunningTab: Direct Workspace Interaction with Environment-Side Tabs
• Title（参考訳）: RunTab: 環境サイドタブとの直接のワークスペースインタラクション
• Abstract要約: RunTabは環境サイドタブと直接のワークスペースインタラクションを提供するフレームワークである。 ランニングTabは、標準のDWIとベースラインを一貫して上回り、モデルに記録を保持する。
• 参考スコア（独自算出の注目度）: 64.78155698304482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Much knowledge work produces new deliverables from files a workspace already holds, and LLM agents are beginning to take such work over. Through direct corpus interaction, an agent can search and read any of those files from a terminal with no indexing, and producing a deliverable from many of them in this way is what we call direct workspace interaction (DWI). Reaching the files, however, is only half the task: nothing keeps track of what the task asks for, what has been read, and what was listed but never opened, all of which slip through the context window without leaving a trace, so an agent may extract a figure and still deliver a report without it. To address this, we present RunningTab, a framework that equips direct workspace interaction with an environment-side tab: a per-task record of what the task still owes, kept by the environment alongside the agent. Specifically, the agent adds its requirements, while the environment records every file read as an excerpt with its provenance and every listed but unopened file as a candidate; the agent can then see each requirement beside its best-matching excerpts and top unopened candidates, resolve it against matching content or set it aside with a reason, and, should it try to finish with requirements still open, receive them in a finish check. We validate RunningTab on three benchmarks with three LLMs, where it consistently outperforms plain DWI and baselines that keep the record in the model, while its tab usually holds the values a deliverable needs once seen.
• Abstract（参考訳）: 多くの知識処理がワークスペースが保持しているファイルから新たな成果物を生成しており、LLMエージェントがそのような作業を引き継ぎ始めている。 ダイレクトコーパスのインタラクションを通じて、エージェントはインデックスなしで端末からこれらのファイルを検索して読み取ることができ、この方法で多くのファイルから配信可能なファイルを生成することは、私たちが直接ワークスペースインタラクション(DWI)と呼ぶものです。 しかし、ファイルの取得はタスクの半分に過ぎず、タスクが何を求めているか、何を読んでいるか、何がリストされているか、何が開かなかったかを追跡することはなく、これらはすべてトレースを残さずにコンテキストウィンドウを滑り落ちるので、エージェントは図を抽出して、それなしでレポートを配信することができる。 この問題に対処するため,環境側タブと直接ワークスペースインタラクションを行うフレームワークであるRunningTabを紹介した。 エージェントは、ベストマッチの抜粋とトップオープンの候補の横に、各要求を表示させ、マッチしたコンテンツに対して解決するか、何らかの理由でそれをセットするか、そして、要求がまだオープンな状態で終了しようとすると、フィニッシュチェックでそれを受け取ります。 runningTabを3つのLSMを持つ3つのベンチマークで検証し、標準のDWIとベースラインを一貫して上回り、モデルに記録を保持する一方で、タブは通常、一度見た価値を納品可能なニーズとして保持します。

関連論文リスト

• GraphForge: Training Working Agents with Graph-Anchored Workspace Synthesis [43.52692807860223]
  既存のパイプラインは、リアリズムと多様性に欠けるモデルでファイルを生成するか、タスク固有の検証なしで実際のファイル上でタスクを構築する。 GraphForgeはエビデンスグラフベースのフレームワークで、実際のファイルでタスクと検証の両方を基盤としています。
  論文  参考訳（メタデータ） (2026-09-30T04:07:17Z)
• Context as an Environment: Programmatic Context Management for Long-Horizon Agents [47.21335299084925]
  それぞれのエージェントセッションを実行可能なセッション環境として扱うコンテキストマネージャであるScrollを提示する。 カーネルはモデルコールにまたがって型付けされ、ツール出力、検索された履歴、派生した状態が変数にバインドされる。
  論文  参考訳（メタデータ） (2026-08-21T23:39:19Z)
• Fetch-then-Explore: Decoupling Selection from Extraction over a Persistent Workspace for Search Agents [60.97609995940902]
  検索エージェントに対して textbfFetch-then-Explore を提案する。 ページ選択とエビデンス抽出を分離し、選択したものを保持する。 これは、すべてのバックボーンでBrowseCompの精度を導き、一般的にWideSearchのベースラインと一致するか、超える。
  論文  参考訳（メタデータ） (2026-08-03T11:58:21Z)
• Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction [57.138342889101345]
  Tencent WorkBuddy Benchは、コーディングエージェントのためのマルチドメイン評価スイートである。 本報告では, 設計手法, スコアリングプロトコル, クロスモデルリーダーボードについて述べる。
  論文  参考訳（メタデータ） (2026-07-23T04:34:06Z)
• ESAA-Conversational: An Event-Sourced Memory Layer for Continuity, Handoff, and Curation Across Heterogeneous LLM Coding Agents [0.0]
  本稿ではイベントソーシングエージェントアーキテクチャ(ESAA)のドメインであるemphA-contextalを提案する。 異種エージェントが直接エージェント対エージェントチャネルを使わずに共有ログを介して協調できることを示し、一方、公開ディストリビューションはプライベートな会話履歴を除外してプライバシを保存する。 570件の開発-ラブイベントによる自己参照ケーススタディでは、異種エージェントが直接エージェント対エージェントチャネルを使わずに共有ログを通じて協力できる一方で、公開ディストリビューションはプライベートな会話履歴を除外してプライバシを保存する。
  論文  参考訳（メタデータ） (2026-06-22T01:02:24Z)
• PACMS: Submodular Context Selection as a Pluggable Engine for LLM Agents [0.9134244356393664]
  LLMエージェントは、複数の方向から同時に満たされるコンテキストウィンドウ上で動作する。 一般的なメカニズムは、時として周期的な要約と組み合わせて、直流の切り離しである。 Retrieval拡張生成は、外部文書をプロンプトにフェッチするが、エージェントの空白表示されたコンテキストを仲裁しない。
  論文  参考訳（メタデータ） (2026-06-18T10:22:57Z)
• ClawMark: A Living-World Benchmark for Multi-Turn, Multi-Day, Multimodal Coworker Agents [77.22389710754452]
  マルチターンマルチデイタスクを中心に構築された同僚エージェントのベンチマークであるベンチを紹介する。 現在のリリースには、13のプロのシナリオにわたる100のタスクが含まれており、5つのステートフルなサンドボックスサービスに対して実行される。 最強のモデルは75.8の重み付きスコアに達するが、最も厳格なタスク成功率は20.0%に過ぎず、部分的な進歩が一般的であることを示している。
  論文  参考訳（メタデータ） (2026-04-26T16:05:02Z)

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。