論文の概要: When Should AI Agents Ask? Clarification Requests Under Limited Human Attention
- arxiv url: http://arxiv.org/abs/2610.41129v1
- Date: Fri, 30 Oct 2026 01:36:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.583808
- Title: When Should AI Agents Ask? Clarification Requests Under Limited Human Attention
- Title（参考訳）: AIエージェントはいつ質問すべきなのか?
- Abstract要約: AIエージェントはますます、委任されたタスクを並行して実行し、一人が一度に複数のタスクを監督するようになっている。
本稿では,これらの決定を,限られた注意力で1人の人間を共有する複数のエージェント間で協調させる方法について検討する。
我々は、各エージェントが、欠落した情報に依存しないタスクの一部を検索、問い合わせ、継続できるスタイル化されたモデルを構築します。
次に、Pairwise Coordination Policy (PCP)を提案する。これは、正確な1タスクと2タスクの問題を用いて、タスクのペアが人間を共有するときにどのように遅延するかを推定する。
- 参考スコア（独自算出の注目度）: 4.014979986199852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI agents increasingly carry out delegated tasks in parallel, with one person overseeing several of them at once. In practice, an agent often lacks information its task requires, such as an unstated preference, constraint, or specification. It can ask the human to clarify, or it can search for the information itself, for example in past records, which takes time and effort and may fail. In this paper, we study how to coordinate these decisions across several agents that share one human with limited attention. We build a stylized model in which each agent can search, ask, or continue the parts of its task that do not depend on the missing information, and we formulate the problem as a dynamic program. We first show that whether an agent should ask depends on more than its own uncertainty: an agent with other work to do can be better off asking earlier, and which question the human should answer first depends on all waiting questions, so no ranking computed agent by agent is optimal. We then propose the Pairwise Coordination Policy (PCP), which uses exact one- and two-task problems to estimate how pairs of tasks delay each other when they share the human. Theoretically, PCP is exactly optimal when at most two requirements remain unresolved and costs at most twice the optimum when every unresolved requirement must be resolved by the human. We evaluate PCP on 864 synthetic cases and in a case study with LLM agents. On the synthetic benchmark, PCP's mean gap to optimal cost is 0.07%, and it reduces cost by an average of 18-31% relative to three standard rules for when to ask. In the LLM case study, agents completed every task correctly, and PCP achieved the lowest mean cost in all tested settings.
- Abstract（参考訳）: AIエージェントはますます、委任されたタスクを並行して実行し、一人が一度に複数のタスクを監督するようになっている。
実際には、エージェントは要求される情報を欠くことが多く、例えば、未定の嗜好、制約、仕様などである。
例えば過去の記録では、時間と労力を要し、失敗する可能性がある。
本稿では,これらの決定を,限られた注意力で1人の人間を共有できる複数のエージェント間で協調させる方法について検討する。
我々は、各エージェントが不足した情報に依存しないタスクの一部を検索、質問、継続できるスタイル化されたモデルを構築し、その問題を動的プログラムとして定式化する。
まず、エージェントが問うべきが、それ自身の不確実性以上のものに依存するかどうかを示す。他の作業を行うエージェントは、もっと早く問うべきであり、どの質問に答えるべきかは、待機するすべての質問に左右されるので、エージェントによるランク付けされたエージェントは最適ではない。
次に、Pairwise Coordination Policy (PCP)を提案する。これは、正確な1タスクと2タスクの問題を用いて、タスクのペアが人間を共有するときにどのように遅延するかを推定する。
理論的には、PCPは、少なくとも2つの要件が未解決のままであり、すべての未解決要件が人間によって解決されなければならない場合、少なくとも2倍のコストが最適である。
864症例のPCPについて検討し, LLM剤を用いて検討した。
総合的なベンチマークでは、PCPの最適コストに対する平均的なギャップは0.07%であり、要求される3つの標準ルールに対して平均18～31%のコスト削減を行う。
LLMケーススタディでは、エージェントがすべてのタスクを正しく完了し、PCPは全てのテスト設定で最低平均コストを達成した。
関連論文リスト
- Local Work, Global Progress: A Convergence Theory of AI Agent Collaboration [53.657104889705856]
我々はブロック最適化として協調的な問題解決を定式化する。
コーディネータは、グローバルな目的に対して全ての提案をチェックし、干渉しない提案をマージする。
線形収束を誤差フロアまで証明し、補正が正確であれば消滅する。
論文 参考訳（メタデータ） (2026-10-20T14:37:06Z) - CompMat-Bench: Benchmarking AI Agents for Computational Materials Science [3.6785856400419465]
CompMat-Benchは、計算材料研究から派生した94のタスクのベンチマークである。
我々は、事前に研究手順を再現し、高価なシミュレーションのための入力の準備と出力の分析を行うエージェントを評価する。
ベンチマークは4つの評価条件をサポートする: 単一のタスクと関連するタスクで構成され、それぞれが完全なまたは少ない方法論的ガイダンスを持つ。
論文 参考訳（メタデータ） (2026-09-30T19:37:09Z) - AI Research Preference Models [87.14303218008381]
研究エージェントは、独自の機械学習実験を提案し、実装し、評価することができる。
フロンティア作業の進行は コストで妨げられています
我々は、複数の候補ソリューションのどれが実行価値が最も高いかを予測するAI Research Preference Models(RPM)を紹介する。
論文 参考訳（メタデータ） (2026-08-14T04:20:37Z) - AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。
エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。
本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:49:18Z) - 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) - 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) - Compliance Brain Assistant: Conversational Agentic AI for Assisting Compliance Tasks in Enterprise Environments [2.8724171056550256]
Compliance Brain Assistant (CBA) は、企業環境における人員の日々のコンプライアンスタスクの効率を高めるために設計された、対話型のエージェントAIアシスタントである。
応答品質とレイテンシのバランスを良くするために,FastTrackモードとFullAgenticモードをインテリジェントに選択できるユーザクエリルータを設計する。
論文 参考訳（メタデータ） (2025-07-23T07:51:10Z)
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。