論文の概要: AgentPRO: Coordinating Compiler Optimizations for LLM Agent Workflows
- arxiv url: http://arxiv.org/abs/2611.00628v1
- Date: Sat, 31 Oct 2026 04:52:07 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 20:14:47.520461
- Title: AgentPRO: Coordinating Compiler Optimizations for LLM Agent Workflows
- Title（参考訳）: AgentPRO: LLMエージェントワークフローのためのコンパイラ最適化のコーディネート
- Abstract要約: AgentPROは、実行情報を利用できるようにエージェントを最適化するコンパイラフレームワークである。
AgentPROは、計画された義務、世代領域、具体的な操作を階層的な表現で整理する。
歴史的ベースライン実行の成功によって選択された115のタスクでは、AgentPROは、全アクセスの平均トークン消費量を41.85%削減し、平均コンポーネント時間を6.61%削減する。
- 参考スコア（独自算出の注目度）: 7.322315271679314
- License:
- Abstract: LLM agents repeatedly return to a model to generate actions and interpret tool results, incurring repeated context processing and generation overhead. Yet a value needed to execute an action need not be observed by the model to generate that action. This distinction creates an optimization opportunity: reconsider where model decisions are necessary, together with the work performed between them. We present AgentPRO, a compiler framework for optimizing agent workflows as execution information becomes available. AgentPRO organizes planned duties, generation regions, and concrete operations in a hierarchical representation, distinguishing execution dependencies from observations required for generation. Region transformations combine compatible duties into fewer model requests, while operation transformations reduce redundant context and tool work. These scopes interact: eliminating a redundant read can remove an observation requirement that otherwise separates generation regions. AgentPRO coordinates transformations using initial plans, current observations, and historical execution profiles through just-in-time, adaptive, and profile-guided optimization. Runtime guards check state-dependent assumptions and retain fallback paths. We implement guarded workflow transformations for AppWorld agents. On 115 tasks selected by successful historical baseline executions, automatic AgentPRO reduces all-attempt mean token consumption by 41.85% and mean component time by 6.61% relative to those baselines, successfully completing 110 of 115 tasks.
- Abstract（参考訳）: LLMエージェントは繰り返しモデルに戻り、アクションを生成し、ツールの結果を解釈し、繰り返しコンテキスト処理と生成オーバーヘッドを引き起こす。
しかし、アクションを実行するのに必要な値は、そのアクションを生成するためにモデルによって観察される必要はない。
この区別は、モデル決定が必要な場所を再考する、最適化の機会を生み出します。
本稿では,エージェントのワークフローを最適化するコンパイラフレームワークであるAgentPROについて述べる。
AgentPROは計画された義務、生成領域、具体的な操作を階層的な表現で整理し、実行依存と生成に必要な観測を区別する。
リージョン変換は互換性のある責務をモデル要求の削減に組み合わせ、オペレーション変換は冗長なコンテキストとツール作業を減らす。
これらのスコープは相互作用する: 冗長な読み取りを削除することは、生成領域を分離する観察要件を取り除くことができる。
AgentPROは、ジャストインタイム、アダプティブ、プロファイル誘導最適化を通じて、初期計画、現在の観測、過去の実行プロファイルを使用して変換を調整する。
実行時ガードは状態依存の仮定をチェックし、フォールバックパスを保持する。
AppWorldエージェントのガード付きワークフロー変換を実装した。
歴史的ベースライン実行の成功によって選択された115のタスクでは、AgentPROが全アクセス平均トークン消費量を41.85%削減し、それらのベースラインに対して平均コンポーネント時間を6.61%削減し、115のタスクのうち110を完了させることに成功した。
関連論文リスト
- OOPMAS: Object-Oriented Multi-Agent Systems for Query-Level Workflow Generation [55.27793983826255]
OOPMASは、エージェントセットと調整ワークフローの両方を個々のクエリの粒度で生成する、トレーニング不要のフレームワークである。
コード、数学、QAにまたがるクエリの混合タスクベンチマークでは、OOPMASは89.6%の精度を達成し、最強のベースラインを18.1ポイント上回っている。
論文 参考訳（メタデータ） (2026-10-06T05:31:29Z) - Training-Free Transformer Merging via Sequential Local Operator Alignment [62.80152875963259]
トレーニングフリーのモデルマージは、ラベル付きデータにさらなる最適化を加えることなく、複数の微調整されたモデルを単一のモデルに組み合わせることを目的としている。
トランスでは、クエリキーと値出力演算子が合成行列に依存するため、個々のレイヤを独立にマージすることは、共有の注意に影響を与える可能性がある。
本稿では,部分的にマージされたモデルの実行経路に沿ってトランスフォーマーをマージするトレーニングフリーな手法であるSequential Local Operator Alignmentを紹介する。
論文 参考訳（メタデータ） (2026-10-05T14:30:28Z) - AgentRewind: Recoverable Execution for Long-Horizon LLM Agents [32.44158037765297]
我々は,エージェントコンテキストと制御環境の整列チェックポイントを記録するランタイムリカバリフレームワークであるAgentRewindを紹介する。
また,タスク完了と長期工学的課題の部分的進捗を評価するベンチマークであるMettleBenchを構築した。
論文 参考訳（メタデータ） (2026-08-14T15:20:35Z) - The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
推論駆動最適化のための統合フレームワークであるReASearchを提案する。
共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。
我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
論文 参考訳（メタデータ） (2026-08-07T02:15:39Z) - Formal Verification of Agentic Systems over Operational Data [59.98246281888422]
大規模言語モデル(LLM)によって駆動されるエージェントシステムは、永続的な運用データを扱う現実世界にますます展開されている。
既存のアプローチはそのようなシステムレベルの保証を提供していません。
本稿では, 1 つの LLM とツールオーケストレーションハーネスからなるエージェントシステムのリレーショナル操作データに対する検証について述べる。
論文 参考訳（メタデータ） (2026-08-04T13:01:30Z) - Behavioral Controllability of Agentic Models for Information Extraction: From Fixed Workflows to Reflective Agents [4.2476244489062704]
本研究では,リフレクションやメモリなどのエージェント成分が,固定LDMエージェントよりも観測可能かつ制御可能な改善をもたらすかを検討した。
固定されたワークフローベースラインと反射エージェントの変種を比較し、最適化されたエージェント条件を指定する。
評価では,ツールの実行,再試行,リフレクション,メモリ使用,実行時の障害回復など,プロセスレベルの動作が重視される。
論文 参考訳（メタデータ） (2026-07-17T07:51:09Z) - OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。
LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。
提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
論文 参考訳（メタデータ） (2026-05-11T19:28:20Z) - AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。
異種評価アーティファクトを、統一された正のみの相互作用データに変換する。
AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
論文 参考訳（メタデータ） (2026-03-04T06:17:51Z) - AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。
プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。
AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
論文 参考訳（メタデータ） (2025-11-11T14:57:54Z) - Agent WARPP: Workflow Adherence via Runtime Parallel Personalization [0.0]
大規模言語モデル(LLM)はタスク指向対話(TOD)システムにますます適用されてきている。
並列パーソナライゼーション(WARPP)は、マルチエージェントランタイムとオーケストレーションを組み合わせた、トレーニング不要でモジュール化されたフレームワークである。
ユーザ属性に基づいて条件分岐を動的にプルーニングすることで、このフレームワークは推論のオーバーヘッドを減らし、実行時のツール選択を狭める。
論文 参考訳（メタデータ） (2025-07-23T23:27:49Z)
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。