実世界に基づくケースベース学習による自律エージェントのための転移可能なエキスパート性
arXiv cs.AI / 2026/4/15
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、実世界のシナリオにおけるLLMベースの自律エージェントの限界に取り組む。これらは、タスク構造、制約、ならびに事前の経験を確実に活用できないことが多い。
- 過去のタスクからの経験を、再利用可能な知識アセット（タスクに関連する知識、分析用プロンプト、運用スキルを含む）へと変換するケースベース学習の枠組みを提案する。
- 著者らは、この手法を6つの複雑なタスクカテゴリを統合したベンチマークで評価し、ゼロショット、ファewショット、チェックリスト・プロンプト、ルール・メモリをベースラインとして比較する。
- 結果は、この方法がすべてのタスクタイプにわたって一貫して強力な性能を提供し、特に最も複雑なタスクで最大の効果が得られることを示している。
- 分析では、タスクの複雑さが増すほど優位性が大きくなること、そしてあるエージェントが得た知識を他のエージェントに転移・再利用できることが示唆され、「プロフェッショナル」な実世界エージェントという目標を支える。
