論文の概要: ReTrace: Distilling Tool-Using Agents into Planner-Free Workflows
- arxiv url: http://arxiv.org/abs/2611.14492v1
- Date: Tue, 10 Nov 2026 18:49:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:24:43.950808
- Title: ReTrace: Distilling Tool-Using Agents into Planner-Free Workflows
- Title(参考訳): ReTrace: ツール使用エージェントをプランナフリーワークフローに
- Abstract要約: ビジネスプロセスの自動化は、新しい入力に対して、同じ標準オペレーティング手順を何度も繰り返し実行します。
大規模言語モデル(LLM)エージェントは自然言語で書かれたSOPに従うことができるが、各実行の各ステップを選択するためにLSMを呼び出す。
我々は、SOPと数個のログエージェントを再利用可能なワークフローに切り替えるReTraceを紹介し、LLMではなくコードが次のステップを選択する。
- 参考スコア(独自算出の注目度): 4.074992439466457
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Business process automation runs the same Standard Operating Procedure (SOP) again and again on new inputs. Large Language Model (LLM) agents can follow an SOP written in natural language, but they call an LLM to choose every step of every run, which adds latency and cost at scale. We present ReTrace, which turns an SOP and a few logged agent runs into a reusable workflow in which code, not an LLM, selects the next step. The agent's reasoning, the explanation it writes with each tool call, often states why it took an action; the tool calls alone do not. ReTrace extracts the condition behind each step, merges these conditions across runs into a compact rule document, and generates an executable workflow from it. Only this last stage depends on the platform, so rule documents can be compiled for different orchestration platforms. On $79$ procedures from our production platform, ReTrace workflows reach $93.8\%$ completion, against $96.8\%$ for the agent, at $24\%$ lower cost per task. On $τ^2$-Bench, they reach $75.8\%$ task success (agent: $80.6\%$) and run in $1.3$s instead of $170$s; three rounds of repair on training failures lift $k{=}2$ workflows from $66.7\%$ to $81.2\%$. On eight SOP-Bench procedures, ReTrace without repair trails few-shot generation ($80.6\%$ vs. $83.6\%$), but repair from labeled training failures lifts it to $87.8\%$ at $0.40$s per task, compared to $85.5\%$ in $46.6$s for the agent.
- Abstract(参考訳): ビジネスプロセスの自動化は、新しい入力に対して、同じ標準運用手順(SOP)を何度も繰り返し実行します。
大きな言語モデル(LLM)エージェントは、自然言語で書かれたSOPに従うことができるが、LLMを呼び出し、実行中のすべてのステップを選択し、レイテンシとスケールのコストを増大させる。
我々は、SOPと数個のログエージェントを再利用可能なワークフローに切り替えるReTraceを紹介し、LLMではなくコードが次のステップを選択する。
エージェントの推論は、それが各ツールコールで記述する説明であり、多くの場合、それがアクションを起こした理由を記述している。
ReTraceは各ステップの背後にある条件を抽出し、実行中にこれらの条件をマージして、コンパクトなルールドキュメントを作成し、そこから実行可能なワークフローを生成する。
この最終段階のみがプラットフォームに依存しているため、さまざまなオーケストレーションプラットフォーム用にルール文書をコンパイルすることができる。
運用プラットフォームから79ドルのプロシージャで、ReTraceのワークフローは9,3.8 %$完了し、エージェントは9,6.8 %$、タスク毎のコストは24 %$低下する。
τ^2$-Benchでは、タスク成功率75.8\%(エージェント:80.6\%$)に達し、170ドルではなく1.3ドルで実行し、トレーニング失敗時の3ラウンドの修復で、$k{=}2$ワークフローを6.7\%から81.2\%に引き上げる。
8つのSOP-Benchプロシージャでは、ReTraceは数世代(80.6\%対8.3.6\%)で修復するが、ラベル付きトレーニング失敗による修復によって1タスクあたり87.8\%が$0.40$sとなり、エージェントは$8.5\%が$46.6$sとなる。
関連論文リスト
- Agent Behavior as Code: Efficient and Robust LLM Agents with Programmatic Specifications [12.078898144306182]
$textbfA$gent $textbfB$ehavior as $textbfC$ode $textbfAgent$ (ABCAgent)
ABCAgentはシンボリックプログラムを使用してエージェントの動作を実行時に完全に指定し、強力なFMエージェントがそのプログラムを柔軟性のために編集する。
ABCAgentを6つのエージェントベンチマークで評価し、その中の2つは、派生プログラムが目的とするタスクの変種に対していかにうまく一般化するかをテストするために構築したものである。
論文 参考訳(メタデータ) (2026-10-04T00:14:33Z) - Pay for the Fault, Not the Flow: Label-Free In-Flow Multi-Agent Workflow Optimization [37.560391408471595]
InFlowOpは、エージェントの能力がエージェントが実行に要する時間に対してサブタスクが要求するものにどの程度満足するかを測る1つのラベルフリーなコストで、すべての決定を価格に設定する。
実行中、InFlowOpは、ビルド時と実行時の両方でワークフローを提供するのと同じコストで、最も安い動きの失敗を修正する。
さまざまなドメインやバックボーンを通じて、InFlowOpは単一のエージェントベースラインを最大$+11.97%$でパフォーマンスし、インフロー最適化で$+9.64%$を達成した。
論文 参考訳(メタデータ) (2026-10-01T04:01:23Z) - 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) - LACUNA: Safe Agents as Recursive Program Holes [3.2613419151327343]
LLMエージェントはますますコードを記述することで振る舞うが、エージェントを駆動するランタイムとモデルが記述するコードの間には分割が持続する。
我々は、安全性を維持しながら、この分割を閉じるエージェントのためのプログラミングモデルであるLACUNAを紹介する。
我々のプリミティブは、通常の制御フローとしてReActループ、サブエージェント、スキル、並列分解、マルチモデル計画を表現する。
論文 参考訳(メタデータ) (2026-05-27T15:27:25Z) - From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。
本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
論文 参考訳(メタデータ) (2026-05-21T04:54:55Z) - ClawTrace: Cost-Aware Tracing for LLM Agent Skill Distillation [9.992155237142306]
ClawTraceは、エージェントセッション中にすべてのLCMコール、ツール使用、サブエージェントスレーブを記録するエージェントトレースプラットフォームである。
CostCraftは、TraceCardsを読み出し、3種類のスキルパッチを生成する蒸留パイプラインである。
コスト属性とプルーパッチの両方が独立に品質の低下を減少させることを示す。
論文 参考訳(メタデータ) (2026-04-26T19:44:10Z) - Do We Always Need Query-Level Workflows? Rethinking Agentic Workflow Generation for Multi-Agent Systems [72.3575737073235]
マルチエージェントシステム(MAS)は、複数のエージェントを協調することで複雑なタスクを解決する。
既存のアプローチはタスクレベルかクエリレベルで生成されるが、その相対的なコストと利点は未だ不明である。
クエリレベルのワークフロー生成は必ずしも必要ではない、なぜなら、トップKレベルのタスクレベルの小さなセットが、すでに同等あるいはそれ以上のクエリをカバーしているからだ。
論文 参考訳(メタデータ) (2026-01-16T10:05:51Z) - Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。
LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
論文 参考訳(メタデータ) (2025-05-23T08:23:36Z) - SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。
提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。
我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
論文 参考訳(メタデータ) (2025-03-11T17:53:02Z) - Towards Efficient Automatic Self-Pruning of Large Language Models [55.90119819642064]
トレーニング後の構造化プルーニングは、トレーニングを必要とせずに大規模言語モデルを熟成する有望なソリューションである。
この問題を緩和する鍵は、各レイヤのプルーニング率を正確に決定することにある、と我々は主張する。
我々は、レイヤワイドプルーニングレートを効率的に検索するLLMのためのエンドツーエンドの自動自動プルーニングフレームワークである$textbfSelf-Prunerを紹介した。
論文 参考訳(メタデータ) (2025-02-20T09:59:50Z)
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。