Los investigadores proponen E3 (Estimate, Execute, Expand), un marco para la estimación del alcance de ejecución consciente de la tarea que permite a los agentes de IA juzgar la dificultad de la tarea y las necesidades de información antes de comprometer recursos. El método formaliza la ejecución mínima suficiente utilizando el Ratio de Redundancia Cognitiva del Agente (ACRR) para prevenir la relectura redundante de archivos.
En la benchmark MSE-Bench con 121 ediciones, E3 iguala la tasa de éxito del 100% del mejor baseline mientras reduce el costo en un 85%, los tokens en un 91% y los archivos inspeccionados en un 92%. También supera a un baseline fuerte de recuperación adaptativa en un 16%, con ganancias que persisten ante variaciones en la redacción de las instrucciones. Un harness complementario que utiliza gpt-4o en una biblioteca open-source real confirmó a E3 como la política más eficiente y rápida con una tasa de éxito comparable.
Los autores enmarcan esto como un paso hacia una IA basada en ingeniería (EGAI), anclando el esfuerzo del agente en la realidad de la ingeniería de la tarea en lugar de estrategias de contexto máximo.