論文の概要: AgentTune: A Unified Training Lifecycle for Tool-Using LLM Agents
- arxiv url: http://arxiv.org/abs/2610.13335v1
- Date: Fri, 09 Oct 2026 10:09:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.520118
- Title: AgentTune: A Unified Training Lifecycle for Tool-Using LLM Agents
- Title（参考訳）: AgentTune: LLMエージェントをツール使用するための統一トレーニングライフサイクル
- Abstract要約: 我々はオープンソースのPythonライブラリであるAgentTuneを紹介し、ツール使用エージェントの開発と最適化のための統一されたフレームワークを提供する。
AgentTuneの中核となるのは、トレーニング、評価、監査のための一貫したプロジェクションをサポートしながら、エージェントのトラジェクトリを保存する2層EventLog表現だ。
法的な契約探索やドメイン固有のアプリケーションを含むエージェント的タスクにまたがるフレームワークを実証する。
- 参考スコア（独自算出の注目度）: 3.2487524595979966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tool-using agents increasingly require a common substrate for building, training, evaluating, distilling, and maintaining agentic systems, yet existing tooling typically addresses these stages in isolation. We present AgentTune, a source-available Python library that provides a unified framework for developing and optimizing tool-using agents. At its core, AgentTune introduces a two-tier EventLog representation that preserves agent trajectories while supporting consistent projections for training, evaluation, and auditing. Building on this substrate, the library provides a shared agent runtime, tool-calling reinforcement learning, agentic distillation, retrieval-augmented generation, decision workflows, evaluation utilities, and a designed path toward self-healing agents. These components are exposed through composable interfaces so that agent strategies, training methods, evaluation procedures, and recovery mechanisms can be combined without requiring separate representations or pipelines. We demonstrate the framework across agentic tasks including legal contract search and domain-specific applications, illustrating its use for trajectory-based optimization, tool-use evaluation, and cross-task agent development. AgentTune is released as a source-available library at https://github.com/Lexsi-Labs/AgentTune
- Abstract（参考訳）: ツール使用エージェントは、エージェントシステムの構築、トレーニング、評価、蒸留、維持に共通の基板を必要とするが、既存のツールは通常、これらのステージを分離して扱う。
我々はオープンソースのPythonライブラリであるAgentTuneを紹介し、ツール使用エージェントの開発と最適化のための統一されたフレームワークを提供する。
AgentTuneの中核となるのは、トレーニング、評価、監査のための一貫したプロジェクションをサポートしながら、エージェントのトラジェクトリを保存する2層EventLog表現だ。
この基盤の上に構築されたライブラリは、共有エージェントランタイム、ツールコール強化学習、エージェント蒸留、検索強化生成、意思決定ワークフロー、評価ユーティリティ、自己修復エージェントへの設計されたパスを提供する。
これらのコンポーネントは構成可能なインターフェースを通じて公開され、エージェント戦略、トレーニング方法、評価手順、リカバリメカニズムを別々の表現やパイプラインを必要とせずに組み合わせることができる。
本稿では,法的な契約探索やドメイン固有のアプリケーションを含むエージェントタスクを対象としたフレームワークを,軌道に基づく最適化,ツール使用評価,クロスタスクエージェント開発に応用した上で実証する。
AgentTuneはhttps://github.com/Lexsi-Labs/AgentTuneでオープンソースライブラリとしてリリースされた
関連論文リスト
- AgentWare: Automating the Lifecycle of Agentic Applications across the Edge-to-Cloud Continuum [0.15999407512883507]
本稿では,エッジ・ツー・クラウドインフラストラクチャ間のエージェントアプリケーションのプロビジョニング,デプロイ,可観測性,評価を自動化するAgenticOpsフレームワークであるAgentWareを提案する。
我々は,AgentWareが分散エージェントアプリケーションの体系的な実験と評価を可能にし,デプロイメント,計測,解析に必要な手作業を大幅に削減できることを実証した。
論文 参考訳（メタデータ） (2026-09-28T08:25:48Z) - AgentTrails: Towards Trust and Reuse for Agentic Tasks [12.615897924172812]
LLMベースのエージェントは、ツールの呼び出し、データベースのクエリ、コードの実行、中間アーティファクトの操作によって複雑なタスクに対処する。
これらのエージェントは、通常、時系列ログとして格納されるトラジェクトリに従い、基礎となるデータフローを隠蔽する。
本稿ではエージェント証明とセンスメイキングのためのプロトタイプシステムであるAgentTrailsを紹介する。
論文 参考訳（メタデータ） (2026-07-21T07:53:58Z) - From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents [90.3279207163486]
EvoSOPは、エージェントが実行軌跡からSOPを抽出し、反復的にツールセットを最適化することを可能にするフレームワークである。
EvoSOPはタスク成功率を大幅に向上し,インタラクションラウンドの回数を大幅に削減することを示す。
論文 参考訳（メタデータ） (2026-07-08T12:09:49Z) - AgentFlow: Building Agent Dependency Graphs for Static Analysis of Agent Programs [7.897669686886619]
我々はエージェントプログラムからエージェント依存関係を復元および解析するための最初の静的解析フレームワークであるAgentFlowを提案する。
AgentFlowはエージェントのガバナンスとセキュリティに関するさまざまな分析をサポートし、即時リスク検出もサポートしている。
我々は,5つの代表的なエージェントフレームワークに対してAgentFlowを実装し,実世界のエージェントプログラム5,399のコーパスであるAgentZoo上で評価する。
論文 参考訳（メタデータ） (2026-07-02T03:11:41Z) - Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。
我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。
Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
論文 参考訳（メタデータ） (2025-11-20T05:01:57Z) - 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) - AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications [95.42093979627703]
AgentScopeは柔軟で効率的なツールベースのエージェント環境インタラクションをサポートする。
エージェントの動作をReActパラダイムに基盤として,エージェントレベルの高度なインフラストラクチャを提供します。
AgentScopeには、開発者フレンドリーなエクスペリエンスのための堅牢なエンジニアリングサポートも含まれている。
論文 参考訳（メタデータ） (2025-08-22T10:35:56Z) - Agent Lightning: Train ANY AI Agents with Reinforcement Learning [24.13422767414729]
我々は,任意のAIエージェントに対して,強化学習(RL)に基づくLarge Language Models(LLM)のトレーニングを可能にするフレームワークであるAgens Lightningを提案する。
エージェント実行をマルコフ決定プロセスとして定式化することにより、統一データインターフェースを定義し、クレジット代入モジュールを含む階層的RLアルゴリズムLightningRLを提案する。
システム設計のために、トレーニング・エージェント・デアグリゲーションアーキテクチャを導入し、エージェント・オブザーバビリティ・フレームワークをエージェント・ランタイムに導入する。
論文 参考訳（メタデータ） (2025-08-05T17:50:13Z) - 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)
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。