論文の概要: AutoOnboarder: Autonomously Onboarding LLM Agents
- arxiv url: http://arxiv.org/abs/2610.21218v1
- Date: Thu, 15 Oct 2026 04:07:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.174715
- Title: AutoOnboarder: Autonomously Onboarding LLM Agents
- Title（参考訳）: 自動オンボーダー: LLMエージェントを自動オンボーディング
- Abstract要約: AutoOnboarderは、トレーナーが新しい従業員を乗せる際のタスクにエージェントを適応させる自律システムである。
エージェントをインテリジェントなオンボーダーのコーディングエージェントの監督下に配置し、ファンデーションモデルを反復的に調整し、ソースコードをプロンプトし、同時にパフォーマンスを改善し、コストを削減します。
- 参考スコア（独自算出の注目度）: 5.10803857320792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic large language models have been documented to lose reasoning capability when placed inside a harness, the software that mediates their observations and actions. To reconcile these losses, we introduce AutoOnboarder, an autonomous system that adapts an agent to a task the way a trainer onboards a new employee. It places the agent under the supervision of an intelligent ``Onboarder'' coding agent, which iteratively tailors its foundation model, prompt, and harness source code to simultaneously improve performance and decrease cost. Like a real onboarding process, the Onboarder is only given tens of examples, and all evaluation data is isolated on a separate virtual machine to prevent leakage. We report the lessons learned from building and testing AutoOnboarder on genomic-sequencing prior authorization form submission. Autonomously onboarded agents are able to match or exceed the performance of a Gemini 3.5 Flash baseline at up to 29$\times$ lower costs. However, these agents remain imperfect, and the Onboarding process varies greatly in terms of final performance. We conclude that future Onboarding systems require a robust environment for the Onboarder, including a structured thought interface, (controlled) internet access, and a wide model search space.
- Abstract（参考訳）: エージェント型大規模言語モデルは、ハーネスの中に置くと推論能力を失うことが文書化されている。
これらの損失を解消するために,訓練者が新しい従業員を乗せる際のタスクにエージェントを適応させる自律システムであるAutoOnboarderを導入する。
エージェントをインテリジェントな ‘Onboarder' コーディングエージェントの監督下に置くことで,その基盤モデルを反復的に調整し,ソースコードをプロンプトして,パフォーマンスとコスト削減を同時に行う。
実際のオンボーディングプロセスと同様に、Onboarderは数十の例しか与えられず、すべての評価データは別々の仮想マシン上で分離され、漏洩を防止する。
本稿では,AutoOnboarderの構築と試験から得られた教訓を,ゲノムシークエンシングによる事前承認フォームの提出について報告する。
自律的に搭載されたエージェントは、最大29$\times$低価格で、Gemini 3.5 Flashベースラインのパフォーマンスを一致または超えることができる。
しかし、これらのエージェントは依然として不完全であり、オンボーディングプロセスは最終性能の点で大きく異なる。
将来のオンボーディングシステムには、構造化された思考インタフェース、インターネットアクセス(制御)、広範囲なモデル検索スペースを含む、オンボーダーのための堅牢な環境が必要であると結論付けている。
関連論文リスト
- Self-Improvements in Modern Agentic Systems: A Survey [41.489651986702405]
自己改善型自律エージェントは、研究プロトタイプからデプロイシステムへと移行している。
この調査は、現代の自己改善エージェントを、経験を蓄積された能力ゲインに変換する適応システムとして捉えている。
論文 参考訳（メタデータ） (2026-07-14T09:12:57Z) - Multi-Agent Robotic Control with Onboard Vision-Language Models [38.78172334790013]
ビジョン言語モデル(VLM)とビジョン言語アクション(VLA)モデルは、ロボット制御において有望であることを示している。
説明可能性、一般化、計算要求に関する重大な課題に直面している。
本稿では,ハードウェア上に特殊なエージェントを配置することで,これらの制約に対処するマルチエージェントシステム(MAS)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-07-08T13:37:31Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - Impatient Users Confuse AI Agents: High-fidelity Simulations of Human Traits for Testing Agents [58.00130492861884]
TraitBasisは、AIエージェントを体系的にストレステストするための軽量でモデルに依存しない方法である。
TraitBasisは、ステアブルなユーザ特性に対応するアクティベーション空間で方向を学習する。
We observed on average a 2%-30% performance degradation on $tau$-Trait across frontier model。
論文 参考訳（メタデータ） (2025-10-06T05:03:57Z) - A Multi-agent Onboarding Assistant based on Large Language Models, Retrieval Augmented Generation, and Chain-of-Thought [2.3759432635713895]
ソフトウェア工学の実践は不可欠だが、技術の急激な発展のために難しい。
本稿では,大規模言語モデル,検索拡張生成,および自動チェーン・オブ・思想アプローチを活用するOnboarding Buddyシステムを提案する。
我々のソリューションはエージェントベースであり、最小限の人的介入でカスタマイズされた支援を提供する。
論文 参考訳（メタデータ） (2025-03-30T12:40:09Z) - Towards Model-Driven Dashboard Generation for Systems-of-Systems [52.251635013691256]
本稿では、単純なダッシュボードモデルのリストをダッシュボードモデルに自動変換する、モデル駆動技術に依存しないアプローチについて述べる。
ダッシュボードのカスタマイズは抽象モデル表現を単に修正するだけで効率的に実現できる。
論文 参考訳（メタデータ） (2024-02-23T10:55:18Z) - MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。
これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。
モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
論文 参考訳（メタデータ） (2023-04-10T15:44:50Z) - Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure
of Costs [65.23158435596518]
チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。
我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
論文 参考訳（メタデータ） (2022-06-13T09:17:40Z) - How Robust are Model Rankings: A Leaderboard Customization Approach for
Equitable Evaluation [0.0]
トップリーダーボードのモデルは、現実世界のアプリケーションにデプロイされた場合、しばしば不満足に機能します。
本稿では,その難易度に基づいてサンプルを重み付けすることで,リーダボードを探索するタスク非依存手法を提案する。
リーダーボードは敵に攻撃される可能性があり、トップパフォーマンスモデルは必ずしもベストモデルであるとは限らない。
論文 参考訳（メタデータ） (2021-06-10T06:47:35Z)
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。