Fugu-MT 論文翻訳(概要): Self-Evolving Agentic Workflows via Semantic Decomposition of Complex Tasks

論文の概要: Self-Evolving Agentic Workflows via Semantic Decomposition of Complex Tasks

arxiv url: http://arxiv.org/abs/2611.01840v1
Date: Sun, 01 Nov 2026 12:18:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-04 23:36:30.503513
Title: Self-Evolving Agentic Workflows via Semantic Decomposition of Complex Tasks
Title（参考訳）: 複雑なタスクのセマンティック分解による自己進化型エージェントワークフロー
Abstract要約: エージェントは複雑なタスクを再利用可能な手順に整理する。 LLMを各ステップで呼び出すと、反復的な推論コストと遅延が発生する。本稿では,意味的タスクの分解によるエージェントの自己進化のためのフレームワークを提案する。
参考スコア（独自算出の注目度）: 19.71423229833059
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Agentic workflows organize complex tasks into reusable procedures. However, invoking an LLM at every step incurs repeated inference costs and delays. We propose a framework for self-evolving agentic workflows through semantic task decomposition. Each subtask has explicit applicability conditions and a procedure that executes code or invokes a model as needed. An agent uses execution feedback to refine the decomposition and update these procedures. Experiments in the GLEE competition show the framework on bargaining, negotiation and persuasion. Most observed final-decision procedures are implemented in code. Code is available at https://github.com/Applied-Machine-Learning-Lab/NeurIPS2026_SeaFlow.
Abstract（参考訳）: エージェントワークフローは複雑なタスクを再利用可能な手順に整理する。しかし、全てのステップでLSMを呼び出すと、繰り返しの推論コストと遅延が発生する。本稿では,意味的タスクの分解によるエージェントワークフローの自己進化のためのフレームワークを提案する。各サブタスクには、明示的な適用条件と、必要に応じてコードを実行したり、モデルを呼び出す手順がある。エージェントは、実行フィードバックを使用して分解を洗練し、これらの手順を更新する。 GLEEコンペティションの実験では、交渉、交渉、説得の枠組みが示されている。ほとんどの観察された最終決定手順はコードで実装されている。コードはhttps://github.com/Applied-Machine-Learning-Lab/NeurIPS2026_SeaFlowで入手できる。

関連論文リスト

WorkflowOps: Learning Agent Collaboration Priors for Multi-Agent Workflow Orchestration [51.22290155772135]
本稿では,エージェントコラボレーションの過去の履歴を学習し,必要に応じてエージェントプールを拡張して,新たな機能要件をカバーするマルチエージェントワークフローオーケストレーションフレームワークを提案する。混合コード、数学、質問回答スイートの実験によると、Opsはワークフロー構築ベースラインよりもエンドツーエンドのパスレートを改善しており、過去のエージェントハンドオフパターンが転送される構造化された非コンパイル可能なタスクで最大の利益を得ている。
論文参考訳（メタデータ） (2026-10-06T07:01:38Z)
FRAMEWORKERS: A Dynamic Multi-Agent Framework for AI-Generated Video Production [55.71860113185132]
本稿では,タスク中心のマルチエージェントフレームワークであるFRAMEWORKERSを紹介した。 Central Directorは、ビデオ生成を動的タスク管理として定式化し、タスクスタックを継続的に編集して、次にどのサブタスクを実行するか、どのサブエージェントを呼び出すかを決定する。アシスタントは実行層として機能し、選択した各タスクを共有ワークスペースに接地し、必要なアセットとコンテキストを検索し、割り当てられたサブエージェントを呼び出し、結果のアーティファクトを永続化する。 FRAMEWORKERSは、ルーティング精度において強いプランナーよりも優れ、実行時の障害から確実に回復し、目に見えないサブに一般化することを示した。
論文参考訳（メタデータ） (2026-08-30T14:28:50Z)
Natural-Language Workflows Are Not Software Yet: Artifact-Driven Compilation for Reliable Agent Execution [23.207195503032136]
Articはアーティファクト駆動のワークフローコンパイラで、自然言語ワークフローをアーティファクト駆動のワークフローに変換する。 Articによるコンパイルでは、クロスモデルや繰り返し実行設定において、32と56のパーセンテージがより一貫性があることが示される。
論文参考訳（メタデータ） (2026-08-21T17:47:47Z)
COVENANT: Natural-Language Workflow Compilation for Aligned Agent Execution [12.755574564434788]
本稿では,ワークフロー対応エージェント実行のためのコンパイラ・アンド・インタープリタアーキテクチャであるCOVENANTを提案する。私たちの重要な洞察は、ワークフロー命令をプロンプトではなく、ソースプログラムとして扱うことです。 COVENANTは命令をワークフロー抽象構文木(WAST)に変換し、ワークフロー制御フローグラフ(WCFG)に変換する。
論文参考訳（メタデータ） (2026-07-28T07:59:50Z)
AgentFactory: A Self-Evolving Framework Through Executable Subagent Accumulation and Reuse [14.413401094877122]
LLMに基づくエージェントの自己進化に関する最近の研究は、主にテキストのプロンプトやリフレクションとして成功した経験を記録している。本稿では,タスクソリューションを実行可能なサブエージェントコードとして保存する,新たな自己進化パラダイムであるAgentFactoryを提案する。保存されたサブエージェントは、標準化されたドキュメントを備えた純粋なPythonコードであり、任意のPython対応システム間で移植性を実現する。
論文参考訳（メタデータ） (2026-03-18T17:58:25Z)
Monadic Context Engineering [59.95390010097654]
本稿では,エージェント設計の正式な基盤を提供するために,モナディックコンテキストエンジニアリング(MCE)を紹介する。我々は、モナドがロバストなコンポジションをどのように実現し、Applicativesが並列実行に原則化された構造を提供し、また、モナドトランスフォーマーがこれらの機能の体系的なコンポジションをどのように可能にしているかを実証する。この階層化されたアプローチにより、開発者は、単純で独立した検証可能なコンポーネントから、複雑でレジリエントで効率的なAIエージェントを構築することができる。
論文参考訳（メタデータ） (2025-12-27T01:52:06Z)
Extracting Events Like Code: A Multi-Agent Programming Framework for Zero-Shot Event Extraction [21.08753833036094]
本稿では,AEC(Agent-Event-Coder)について紹介する。 AECはZSEEを特別なサブタスク(検索、計画、コーディング、検証)に分解する。 5つの異なる領域と6つのLSMにわたる実験により、AECはゼロショットベースラインを一貫して上回っていることが示された。
論文参考訳（メタデータ） (2025-11-17T08:17:15Z)
DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
論文参考訳（メタデータ） (2025-09-30T10:36:23Z)
AgentMesh: A Cooperative Multi-Agent Generative AI Framework for Software Development Automation [0.0]
ソフトウェア開発タスクの自動化に複数のLCMエージェントを併用したPythonベースのフレームワークを提案する。 AgentMeshでは、Planner、Coder、Debugger、Reviewerといった特殊なエージェントが協力して、ハイレベルな要件を完全に実現されたコードに変換する。
論文参考訳（メタデータ） (2025-07-26T10:10:02Z)
PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
本稿では,PC-Agentという階層型エージェントフレームワークを提案する。認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
論文参考訳（メタデータ） (2025-02-20T05:41:55Z)
Flow: Modularized Agentic Workflow Automation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
論文参考訳（メタデータ） (2025-01-14T04:35:37Z)

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。