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 el presupuesto. El método formaliza la ejecución mínima suficiente y la Relación de Redundancia Cognitiva del Agente (ACRR) para evitar que los agentes lean en exceso archivos y dependencias.
En la prueba MSE-Bench con 121 ediciones, E3 iguala la tasa de éxito del 100% del mejor punto de referencia base, mientras reduce el costo en un 85%, los tokens en un 91% y los archivos inspeccionados en un 92%. También supera a una fuerte línea base de recuperación adaptativa en un 16%, con ganancias que persisten ante redacciones de instrucciones fuera de la muestra y varias ponderaciones de costo. Un arnés complementario que utiliza gpt-4o en una biblioteca real de código abierto confirmó a E3 como la política más ligera y rápida con una tasa de éxito comparable.
Los autores enmarcan esto como un paso hacia una IA basada en ingeniería (EGAI), donde el esfuerzo del agente se ancla en la realidad de ingeniería de la tarea en lugar de estrategias de contexto máximo. El marco y la prueba se publican para apoyar este cambio.