論文の概要: REALM: Identifying Minimal Task Assets for LLM Agents
- arxiv url: http://arxiv.org/abs/2610.39155v1
- Date: Thu, 29 Oct 2026 01:40:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:10.025895
- Title: REALM: Identifying Minimal Task Assets for LLM Agents
- Title（参考訳）: REALM: LLMエージェントのための最小タスクアセットの同定
- Abstract要約: 本稿では,タスクの要求する資産とその使用を識別し,維持するアプローチであるREALMを提案する。
このアプローチは、必要なアセットを依存性グラフノードとして表現し、前提条件の関係を解決し、ソーススコープの選択を通じて新たに発見されたアセットを承認する。
エージェントの計算の自由を保ちながら、資産の発見と使用の認可を分離する。
- 参考スコア（独自算出の注目度）: 1.013011868857388
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large language model (LLM) agents often receive access to more files, accounts, and services than a task requires. Prompt injection turns this excess access into an opportunity to redirect execution toward unrelated resources. Applying least privilege therefore requires identifying the assets needed by a task, including assets whose identities emerge only during execution. We present REALM (Required Execution Assets Linked to a Mission), an approach to identifying and maintaining a task's required assets and their permitted uses. The approach represents required assets as Dependency Graph nodes, resolves prerequisite relationships, and admits newly discovered assets through source-scoped selection. It separates discovering an asset from authorizing its use, while preserving the agent's freedom to choose its computation. The REALM Builder maintains the selected grants and projects Asset Files; the Partial API Manager exposes resource-bound Partial APIs to the Agent inside a Task Container. Across 60 clean tasks and 560 injected cases in AgentDyn, it completes 40.0% and 36.4% of tasks and decreases ASR from 16.6% to 0.2% with qwen3.5-flash as the base model.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、タスクよりも多くのファイル、アカウント、サービスへのアクセスを受けることが多い。
プロンプトインジェクションは、この過剰なアクセスを、無関係なリソースに対して実行をリダイレクトする機会に変える。
したがって、最小限の特権を適用するには、実行中にのみアイデンティティが出現する資産を含む、タスクに必要な資産を特定する必要がある。
本稿では,ミッションにリンクしたREALM(Required Execution Assets Linked to a Mission)について述べる。
このアプローチは、必要なアセットを依存性グラフノードとして表現し、前提条件の関係を解決し、ソーススコープの選択を通じて新たに発見されたアセットを承認する。
エージェントの計算の自由を保ちながら、資産の発見と使用の認可を分離する。
部分APIマネージャは、リソースバウンドな部分APIをタスクコンテナ内のエージェントに公開します。
60以上のクリーンなタスクと560回のインジェクトされたケースで、ASRは40.0%と36.4%のタスクを完了し、ベースモデルとしてqwen3.5-flashで16.6%から0.2%に減少する。
関連論文リスト
- LAGO: Language Agents with Reusable Growing Options [39.6238385436553]
LAGOは、特殊言語エージェントを時間的に拡張された再利用可能なオプションとして扱う。
メタエージェントは永続ライブラリからオプションを検索するか、新しいものを生成し、サブタスクをディスパッチし、結果を検証し、新しいオプションを成功させる。
論文 参考訳（メタデータ） (2026-10-14T09:12:47Z) - LLM Agent Capabilities Should Follow Task Intent and Context Source [3.0990248963651355]
事前定義された従来のシステムとは異なり、エージェントに必要な最小特権能力は動的である。
すべての入力が同じ影響でひとつの共有計画チャネルに入るが、ユーザの明示的な要求とドキュメントの抽出されたテキストは異なる信頼を持ち、目的地を選択する権限やアクセスを広げる権限を共有するべきではない。
IntentCapは、ユーザインテント、ワークフローインストラクション、ツールスキーマ、実行環境の4つのソースから機能を構成する。
論文 参考訳（メタデータ） (2026-09-13T16:04:31Z) - OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents [52.15259607762389]
自律型エージェントのための長距離ハーネスであるOneDayAgentを紹介する。
OneDayAgentはオープンなリクエストをマネージドな実行プロセスに変換する。
我々は104のタスクでAgentIF-OneDay上でOneDayAgentを評価する。
論文 参考訳（メタデータ） (2026-08-04T17:55:41Z) - AgentAbstain: Do LLM Agents Know When Not to Act? [19.223843408018997]
既存の評価は、エージェントがいつ禁じるべきかを知るのではなく、タスクの成功に焦点を当てている。
エージェント禁忌のための最初の体系的評価枠組みとして,ツールを用いたLDMエージェントの動作を検知するキャリブレーション能力について述べる。
AgentAbstainは、エージェントネイティブな分類に基づくペアタスクのベンチマークである。
論文 参考訳（メタデータ） (2026-07-11T00:57:36Z) - Delegated Authorization for Agents Constrained to Semantic Task-to-Scope Matching [4.092829002386613]
ツールを動的に呼び出し、保護されたリソースにアクセスするための大規模言語モデル駆動エージェントの認可は、重大なリスクをもたらす。
我々は,保護されたリソースへのアクセス要求を意味的に検査できる権限付与モデルを導入し,評価する。
本研究は,マルチエージェントおよびツール拡張アプリケーションに対して,意図認識による認証を可能にするセマンティックマッチング技術について,さらなる研究の必要性を強調した。
論文 参考訳（メタデータ） (2025-10-30T17:07:00Z) - Agentic JWT: A Secure Delegation Protocol for Autonomous AI Agents [0.6747475365990533]
エージェント設定の推論、プロンプトインジェクション、マルチエージェントオーケストレーションは、サイレントに特権を拡張することができる。
本稿では,エージェントのアクションをユーザインテントにバインドする2面インテントトークンであるAgentic JWT(A-JWT)を紹介する。
A-JWTはエージェントのアイデンティティを、そのプロンプト、ツール、設定から派生したワンウェイハッシュとして保持する。
論文 参考訳（メタデータ） (2025-09-16T23:43:24Z) - GuardAgent: Safeguard LLM Agents by a Guard Agent via Knowledge-Enabled Reasoning [79.07152553060601]
安全ガード要求を満たすか否かを動的に確認し,目標エージェントを保護する最初のガードレールエージェントであるガードアジェントを提案する。
特にGuardAgentは、まず安全ガードの要求を分析してタスクプランを生成し、それからその計画をガードレールコードにマップして実行します。
GuardAgentは、それぞれ98%と83%のガードレール精度を持つ2つのベンチマークにおいて、異なる種類のエージェントに対する違反行為を効果的に抑制することを示した。
論文 参考訳（メタデータ） (2024-06-13T14:49:26Z) - Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。
そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。
このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
論文 参考訳（メタデータ） (2024-06-02T16:53:21Z)
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。