論文の概要: Forms of LLM-Integrated Applications from LLM-Chats to Autonomous AI Agent System

• arxiv url: http://arxiv.org/abs/2610.11899v1
• Date: Thu, 08 Oct 2026 13:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.036138
• Title: Forms of LLM-Integrated Applications from LLM-Chats to Autonomous AI Agent System
• Title（参考訳）: LLM-Chats から自律型AIエージェントシステムへの LLM-Integated Application の形式
• Abstract要約: 大規模言語モデル(LLM)は、ソフトウェアシステムにコンポーネントとして組み込まれている。 LLMチャット、カスタムエージェント、検索強化生成、AI強化、コピロ、コーディングエージェント、エージェントRAGの7つの繰り返しフォームについて説明する。
• 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: Large language models (LLMs) are increasingly embedded as components in software systems, marketed under labels such as chatbot, copilot, retrieval-augmented generation, workflow, coding agent and AI agent. Whether these labels denote genuine architectural forms or serve as branding has not been assessed systematically. In the sources surveyed, labels do carry architectural content, most clearly in vendor usage: copilot denotes a router-worker architecture operating a host application under step-by-step user confirmation, while the more recent shift to the label agent coincides with AI-planned multi-step execution of which the user sees only the outcome. The coding agents of four major providers share one architecture, a reason-and-act loop delegating to subagents. This survey describes seven recurring forms---LLM chats, custom agents, retrieval-augmented generation (RAG), AI-enhanced workflows, copilots, coding agents, and, in part, agentic RAG---in a common vocabulary of agents and tools. Each is characterized along four structural dimensions (agentic RAG only partially): the architectural pattern, the control of execution and the point of user intervention, the number of agent calls per task, and tool use. An illustrative corpus of 22 systems from research publications and vendor documentation grounds the descriptions and shows where they reach their limit.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、チャットボット、コピロ、検索強化世代、ワークフロー、コーディングエージェント、AIエージェントといったラベルの下で販売されるソフトウェアシステムにコンポーネントとして組み込まれている。 これらのラベルが真の建築形式を示すか、ブランドとして機能するかは、体系的に評価されていない。 copilotは、ステップバイステップのユーザ確認の下でホストアプリケーションを運用するルータワーカアーキテクチャであり、ラベルエージェントへの最近のシフトは、ユーザが結果のみを見ることができるAI計画のマルチステップ実行と一致する。 4つの主要なプロバイダのコーディングエージェントは1つのアーキテクチャを共有している。 この調査では、エージェントとツールの共通語彙として、LLMチャット、カスタムエージェント、検索強化生成(RAG)、AI強化ワークフロー、コピロ、コーディングエージェント、エージェントRAGの7つの繰り返しフォームについて説明する。 アーキテクチャパターン、実行の制御、ユーザ介入のポイント、タスク毎のエージェント呼び出し数、ツールの使用です。 研究出版物やベンダードキュメントから22のシステムの図解的なコーパスは、その説明と限界に達する場所を示す。

関連論文リスト

• Code as Agent Harness [107.31925305395957]
  新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。 コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。 この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:03Z)
• From Intent to Execution: Composing Agentic Workflows with Agent Recommendation [1.462945824459286]
  本稿では,マルチエージェントシステムの自動作成のためのフレームワークを提案する。 提案するフレームワークは,必要なタスク固有のアプリケーションをオーケストレーションするソフトウェアモジュールとワークフローで構成されている。
  論文  参考訳（メタデータ） (2026-05-05T17:08:26Z)
• 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)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Open Agent Specification (Agent Spec): A Unified Representation for AI Agents [10.685555728094338]
  我々はAIエージェントとエージェントを定義する宣言型言語Open Agent Specification(Agent Spec)を紹介する。 Agent Specは、コンポーネント、コントロールとデータフローのセマンティクス、スキーマの共通セットを定義し、エージェントを一度定義し、異なるランタイム間で実行できるようにする。
  論文  参考訳（メタデータ） (2025-10-05T12:26:42Z)
• Context Engineering for Multi-Agent LLM Code Assistants Using Elicit, NotebookLM, ChatGPT, and Claude Code [0.0]
  大規模言語モデル(LLM)は、コード生成とソフトウェアエンジニアリングタスクの自動化において有望であることを示しているが、コンテキスト制限と知識ギャップのため、複雑なマルチファイルプロジェクトに苦戦することが多い。 ユーザ要求を明確にするIntent Translator (GPT-5)、ドメイン知識を注入するElicitを利用したセマンティック文献検索、コンテキスト理解のためのNotebookLMベースの文書合成、コード生成と検証のためのClaude Codeマルチエージェントシステムなど、複数のAIコンポーネントを組み合わせた新しいコンテキストエンジニアリングワークフローを提案する。
  論文  参考訳（メタデータ） (2025-08-09T14:45:53Z)
• AgentMesh: A Cooperative Multi-Agent Generative AI Framework for Software Development Automation [0.0]
  ソフトウェア開発タスクの自動化に複数のLCMエージェントを併用したPythonベースのフレームワークを提案する。 AgentMeshでは、Planner、Coder、Debugger、Reviewerといった特殊なエージェントが協力して、ハイレベルな要件を完全に実現されたコードに変換する。
  論文  参考訳（メタデータ） (2025-07-26T10:10:02Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
  本稿では,PC-Agentという階層型エージェントフレームワークを提案する。 認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。 意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:55Z)

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。