يقترح الباحثون إطار عمل E3 (Estimate, Execute, Expand) لتقدير نطاق التنفيذ الواعي للمهمة، مما يسمح لوكلاء الذكاء الاصطناعي بتقييم صعوبة المهمة واحتياجات المعلومات قبل الالتزام بالميزانية. تقوم الطريقة بتوحيد التنفيذ الأدنى الكافي ونسبة الفائض المعرفي للوكيل (ACRR) لمنع الوكلاء من قراءة الملفات والتبعيات بشكل مفرط.
على معيار MSE-Bench المكون من 121 تعديلًا، يساوي E3 معدل النجاح بنسبة 100% الذي حققه أقوى خط أساس بينما يقلل التكلفة بنسبة 85%، والرموز بنسبة 91%، والملفات المفحوصة بنسبة 92%. كما يتفوق على خط أساس استرجاع تكيفي قوي بنسبة 16%، مع بقاء المكاسب عند صياغة التعليمات المحجوبة وأنواع الأوزان المختلفة للتكلفة. أكد إطار مرافق يستخدم gpt-4o على مكتبة مفتوحة المصدر حقيقية أن E3 هو السياسة الأكثر كفاءة وأسرعها لنجاح المهمة المقارن.
يصور المؤلفون هذا كخطوة نحو الذكاء الاصطناعي القائم على الهندسة (EGAI)، حيث يرتكز جهد الوكيل على الواقع الهندسي للمهمة بدلاً من استراتيجيات السياق الأقصى. تم إصدار الإطار المعيار والمعايير لدعم هذا التحول.