論文の概要: Co-Sight Harness: Externalized Control Assets and Deterministic Enforcement for Long-Horizon Business Agents
- arxiv url: http://arxiv.org/abs/2611.17696v1
- Date: Fri, 13 Nov 2026 03:21:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.296701
- Title: Co-Sight Harness: Externalized Control Assets and Deterministic Enforcement for Long-Horizon Business Agents
- Title(参考訳): Co-Sight Harness:長期ビジネスエージェントのための外部制御アセットと決定論的強化
- Abstract要約: 言語モデルを変更することなく,そのようなゲートを信頼性の高いものにできるかどうかを検討する。
我々の方法は、バックボーンを固定し、定義、状態、ドメインの知識をモデル外のバージョン管理資産に移動させます。
提案手法は,200段を超える3つの配置法について評価した。
- 参考スコア(独自算出の注目度): 10.501203382004554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon business workflows fail in two ways: errors accumulate as a chain of activities lengthens, and the knowledge an activity needs is written in a different vocabulary from the user's request. We study whether such workflows can be made reliable without changing the language model. Our method keeps the backbone fixed and moves the workflow definition, state and domain knowledge into versioned control assets outside the model. A state machine and machine-checkable acceptance gates enforce these assets during execution; an independent auditor grades the resulting trace. The assets are updated only after a regression check and human approval .We evaluate the method on three deployed workflows exceeding 200 steps. On Domain A, a 120-case end-to-end evaluation set shows unattended completion rising from 50% to 100%, retrieval recall from 56% to 91.67%, and end-to-end latency dropping from 440 to 159 minutes, with scenario-analysis recall rising from 45% to 93%. Two other domains were taken over by teams that did not write the assets, one in four days and one in seven days. A controlled ablation separates the two failure sources. The code is available at https://github.com/ZTE-AICloud/Co-Sight/tree/master/Co-Sight%20Harness.
- Abstract(参考訳): アクティビティの連鎖としてエラーが蓄積され、アクティビティに必要な知識は、ユーザの要求と異なる語彙で書かれる。
言語モデルを変更することなく、そのようなワークフローを信頼性の高いものにできるかどうかを検討する。
私たちのメソッドはバックボーンを固定し、ワークフロー定義、状態、ドメイン知識をモデル外のバージョン管理資産に移動します。
ステートマシンとマシンチェック可能な受け入れゲートは、実行中にこれらの資産を強制する。
資産はレグレッションチェックと人間による承認の後にのみ更新される。
提案手法は,200段階を超える3つのワークフロー上で評価する。
ドメインAでは、120ケースのエンドツーエンド評価セットが、未完了の完了が50%から100%に、リコールが56%から91.67%に、エンドツーエンドのレイテンシが440から159分に低下し、シナリオ分析リコールが45%から93%に上昇したことを示している。
他の2つのドメインは、資産を書かなかったチームによって引き継がれ、4日で1つ、7日で1つになった。
制御アブレーションは、2つの障害源を分離する。
コードはhttps://github.com/ZTE-AICloud/Co-Sight/tree/master/Co-Sight%20Harnessで公開されている。
関連論文リスト
- Soei: Structured Observability of Evidence and Intent for Multi-Agent AI Software Engineering [0.0]
開発者がその仕事に戻るとき、便利な質問はモデルが何と言ったのかではなく、実際に何をしたのか、誰がそれを完了したのかである。
我々は、エージェントをコーディングするためのオープンソースのローカルオブザーバビリティツールであるAgentrailを、e4ba2daコミット時のソースに対して検証する。
私たちは45の実際のコーディングエージェントセッションでシステムのプロトタイプを実行しています。
論文 参考訳(メタデータ) (2026-10-29T06:40:12Z) - Maat: Independent Deterministic Contract-Based Governance for Multi-Agent LLM Workflows [0.0]
私たちは、バージョン管理されたワークフロー契約アンカーに対してエージェントからエージェントへのハンドオフを検証するランタイムガバナンス層であるMaatを紹介します。
データレベルの欠陥を注入した6つの制御ドメイン(6~15エージェント、522トライアル)と決定論的7チェックルーブリックで評価した。
論文 参考訳(メタデータ) (2026-09-27T23:23:52Z) - Guarded Commits: Transactional Human Approvals for LLM Workflows [3.6938026057206437]
LLMは、しばしば不可逆な外部アクションの前に人間の承認を必要とする。
ほとんどのシステムは、インターフェースクリックや監査エントリとして、ワークフローの外でその承認を維持します。
ワークフロー状態に人間の承認を組み込むガード付きコミット設計を提案する。
論文 参考訳(メタデータ) (2026-09-02T20:49:13Z) - APIFlow-Bench: Measuring Whether Agents Survive Long, Dependent API Workflows [23.621239974604205]
APIFlow-Benchは、長期依存のREST-APIパフォーマンスのための、完全に監査可能なベンチマークである。
サブタスクによってサブタスクとして,合成APIの世界を前方に生成する。
すべての応答キーと44,362個の未修正実行書き起こしをリリースします。
論文 参考訳(メタデータ) (2026-08-29T08:12:11Z) - Turning Interaction History into Execution State: A Runtime Layer for Long-Horizon Coding Agents [48.967927222079965]
Ledgerは、エージェントの完了したインタラクションを明示的な実行状態に蒸留するランタイム層である。
Ledgerはこの状態をオンライン実行台帳に保持し、各ステップの2つのバウンダリに適用される。
500のSWE-bench検証インスタンス全体で、LedgerはPass@1を56.2%から64.2%に、GPT-5 miniを75.8%から81.0%に、MiniMax M2.5を81.0%に引き上げている。
論文 参考訳(メタデータ) (2026-08-01T18:25:00Z) - ClawForge: Generating Executable Interactive Benchmarks for Command-Line Agents [59.626170560327274]
textbfClawForgeは、ステートコンフリクト下で実行可能なコマンドラインカテゴリのためのジェネレータベースのベンチマークフレームワークである。
私たちはこのフレームワークをClawForge-Bench(17のシナリオ、6の能力カテゴリ)としてインスタンス化します。
論文 参考訳(メタデータ) (2026-05-13T21:34:08Z) - TACT: Mitigating Overthinking and Overacting in Coding Agents via Activation Steering [70.99933391739154]
我々は、エージェントが既に持っている情報に対して繰り返し理由付けを行う2つの障害モードと、最近の観察を統合したり、新たな証拠を取得することなくツールコールを発行する2つの障害モードに焦点を当てる。
本稿では,活性化ステアリングによるTACT (Think-Act via activation Steering) を導入し,動作不良として現れる前に残留流中のエージェントの漂流を検知・緩和する。
具体的には、軌道のステップを過度に考え、過剰に実行し、あるいは校正し、隠れた状態が2つの *drift 軸* に沿って線形に分離できることを発見し、それぞれの障害モードに向かって校正された振る舞いを指示する。
論文 参考訳(メタデータ) (2026-05-07T10:24:27Z) - Claw-Eval-Live: A Live Agent Benchmark for Evolving Real-World Workflows [67.92316850084575]
ワークフローエージェントのライブベンチマークであるClaw-Eval-Liveを紹介する。
各リリースは、公開ワークフロー要求信号から構築される。
Claw-Eval-Liveは実行トレース、監査ログ、サービス状態、実行後のワークスペースアーティファクトを記録する。
論文 参考訳(メタデータ) (2026-04-30T17:23:19Z)
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。