يقترح الباحثون إطار عمل E3 (التقدير، التنفيذ، التوسيع) لتقدير نطاق التنفيذ الواعي للمهمة، مما يسمح لوكلاء الذكاء الاصطناعي بتقييم صعوبة المهمة واحتياجات المعلومات قبل الالتزام بالموارد. تُرسّخ الطريقة التنفيذ الكافي الأدنى باستخدام نسبة الفائض المعرفي للوكيل (ACRR) لمنع القراءة المكررة للملفات.
على معيار MSE-Bench المكون من 121 تعديلًا، يحقق E3 معدل نجاح بنسبة 100% مساويًا لأقوى خط أساس، مع خفض التكلفة بنسبة 85%، وعدد الرموز بنسبة 91%، والملفات المفحوصة بنسبة 92%. كما يتفوق على خط أساس للاسترجاع التكيفي قوي الأداء بنسبة 16%، مع بقاء المكاسب عند استخدام صياغات تعليمات غير مستخدمة في التدريب. أكدت أداة مرافقة تستخدم gpt-4o على مكتبة مفتوحة المصدر حقيقية أن E3 هي السياسة الأكثر رشاقة وأسرع أداءً بمعدل نجاح مهام مماثل.
يُصوّر المؤلفون هذا كخطوة نحو الذكاء الاصطناعي المدعوم بالهندسة (EGAI)، حيث يُرسّخ جهد الوكيل في الواقع الهندسي الفعلي للمهمة بدلاً من استراتيجيات السياق الأقصى.