論文の概要: Same Context, Different Agents: A Behavioral Study of Semantic Layers, Orchestration and Compaction in Data Agents

• arxiv url: http://arxiv.org/abs/2610.20959v1
• Date: Wed, 14 Oct 2026 21:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.079698
• Title: Same Context, Different Agents: A Behavioral Study of Semantic Layers, Orchestration and Compaction in Data Agents
• Title（参考訳）: 異なるエージェントの同じ文脈:データエージェントにおける意味層, オーケストレーション, 圧縮の行動学的研究
• Abstract要約: 3つのコンテキストエンジニアリング技術(CET)は、データエージェントが異種データに対する質問に答えるのに役立つ。 我々は,3つのCETと7つの大言語モデル(LLM)を1,514の長軸タスクで総合的に分析する。 CETのないデータエージェントは、調査員、データ検査なしで答える早期回答者、諦める早期停止者という3つの行動群を形成する。
• 参考スコア（独自算出の注目度）: 46.4120991931597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Answering questions over heterogeneous data means combining evidence from files, databases, documents and the web. Data agents automate this, but their success depends on context. Three context-engineering techniques (CETs) help by shaping it: semantic layers describe the data, orchestration splits work among agents, and compaction condenses interaction history. Existing studies validate each CET alone, leaving open how agent behavior shapes its effect. We present a comprehensive analysis of the three CETs, alone and combined, with seven large language models (LLMs) on 1,514 long-horizon tasks from five benchmarks, covering behavior, accuracy and cost. We find that data agents without CETs form three behavior groups: investigators, premature answerers that answer without inspecting data, and early stoppers that give up. Each CET delivers its known benefit, from more investigation to smaller prompts, but only the behavior group it matches turns that benefit into accuracy, such as premature answerers under orchestration. For investigators, the same CETs can hurt: the semantic layer stops them from looking, orchestration makes them overconfident, costing 5 percentage points, and compaction makes them repeat steps. Combining CETs yields smaller gains and losses than their sum. We derive guidance for choosing CETs by agent behavior, task demands and accuracy-cost trade-offs.
• Abstract（参考訳）: 不均一なデータに対する質問に対する回答は、ファイル、データベース、ドキュメント、Webからの証拠を組み合わせることを意味する。 データエージェントはこれを自動化しますが、その成功はコンテキストによって異なります。 セマンティックレイヤはデータを記述し、オーケストレーションはエージェント間で動作し、圧縮は相互作用履歴を凝縮する。 既存の研究は、各CETを単独で検証し、エージェントの振る舞いがその効果をどう形成するかをオープンにしている。 我々は,5つのベンチマークから1,514の長距離タスクについて,3つのCETと7つの大言語モデル(LLM)を総合的に分析し,その挙動,精度,コストについて考察する。 CETのないデータエージェントは、調査員、データ検査なしで答える早期回答者、諦める早期停止者という3つの行動群を形成する。 各CETは、より詳細な調査からより小さなプロンプトまで、既知のメリットを提供するが、一致する行動群だけが、そのメリットを、オーケストレーション中の未熟な解答者などの正確性に変換する。 セマンティックレイヤはそれらを見るのを止め、オーケストレーションはそれらを過度に信頼し、5ポイントを犠牲にし、コンパクト化はステップを繰り返す。 CETの組み合わせは、その合計よりも利得と損失が小さくなる。 エージェント動作,タスク要求,高精度なトレードオフによってCETを選択するためのガイダンスを導出する。

関連論文リスト

• Iris: Climbing to the Search Frontier [21.066541702697112]
  我々は35B-A3Bスケールと397B-A17Bスケールでトレーニングされた2つの検索エージェントであるIris-miniとIris-proを紹介する。
  論文  参考訳（メタデータ） (2026-09-03T17:51:01Z)
• ANDES: Agent Native Data Evolving Synthesis Tool for Autonomous Instruction Alignment [9.28566352356072]
  Andesは、データ生成をプラグアンドプレイのEmphエージェントスキルとして再定義するフレームワークである。 We demonstrate that Andes improves automated alignment, secure-of-the-art performance on PostTrainBench。
  論文  参考訳（メタデータ） (2026-05-31T15:03:50Z)
• How to Interpret Agent Behavior [56.59836196946289]
  本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。 共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-13T14:52:40Z)
• AgentSim: A Platform for Verifiable Agent-Trace Simulation [3.2058241360543254]
  AgentSimは、RAGエージェントをシミュレートするオープンソースプラットフォームである。 これは、任意のドキュメントコレクションに対するエージェント推論の検証可能な段階的なトレースを生成する。 マルチモデル検証パイプラインとアクティブなHuman-in-the-loopプロセスを組み合わせる。
  論文  参考訳（メタデータ） (2026-04-29T13:19:38Z)
• SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback [68.60326181052658]
  本稿では,高品質で難易度の高い探索問合せを自動生成するエージェントパイプラインを提案する。 我々のパイプラインであるSAGEは、QAペアを提案するデータジェネレータと、生成された質問を解決するための検索エージェントで構成される。 我々の本質的な評価は、SAGEが様々な推論戦略を必要とする質問を生成する一方で、生成したデータの正確性や難易度を著しく高めていることを示している。
  論文  参考訳（メタデータ） (2026-01-26T06:37:56Z)
• MACIE: Multi-Agent Causal Intelligence Explainer for Collective Behavior Understanding [0.2538209532048867]
  本稿では,構造因果モデル,介入対策,シェープリー値を組み合わせたフレームワークMACIEを提案する。 我々は、MARLの4つのシナリオ(協調、競争、混合モチベーション)でMACIEを評価した。 結果は正確な結果の属性を示し、平均 phi_i は 5.07 で、標準偏差は 0.05 未満、協調作業の正の出現を検知し、相乗指数は 0.461 まで、効率的な計算は CPU 上でのデータセット当たり 0.79 秒である。
  論文  参考訳（メタデータ） (2025-11-11T19:04:22Z)
• Synthesizing Agentic Data for Web Agents with Progressive Difficulty Enhancement Mechanisms [81.90219895125178]
  Webベースの「ディープリサーチ」エージェントは、オンラインツールとの長時間のインタラクションを通じてタスクに答える、複雑な問題の解決を目指している。 基礎となる言語モデルは、長い水平推論に最適化されないことが多いため、これらのタスクは依然として困難なままである。 複雑化を徐々に進めることで、疑問-答えのペアを生成する2段階のデータ合成パイプラインを導入する。
  論文  参考訳（メタデータ） (2025-10-15T06:34:46Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• Retrieval-Augmented Reinforcement Learning [63.32076191982944]
  過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。 検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。 検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
  論文  参考訳（メタデータ） (2022-02-17T02:44:05Z)

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。