Les chercheurs proposent E3 (Estimate, Execute, Expand), un cadre d'estimation du périmètre d'exécution conscient de la tâche, permettant aux agents IA d'évaluer la difficulté de la tâche et les besoins en informations avant de s'engager des ressources. La méthode formalise l'exécution minimale suffisante à l'aide du ratio de redondance cognitive d'agent (ACRR) pour éviter la relecture redondante des fichiers.
Sur le benchmark MSE-Bench, composé de 121 modifications, E3 atteint un taux de réussite de 100 %, égal au meilleur baseline, tout en réduisant les coûts de 85 %, le nombre de tokens de 91 % et le nombre de fichiers inspectés de 92 %. Il surpasse également un baseline adaptatif de récupération performant de 16 %, avec des gains qui persistent face à des formulations d'instructions non vues. Un harnais compagnon utilisant gpt-4o sur une véritable bibliothèque open-source a confirmé qu'E3 est la politique la plus légère et la plus rapide pour un taux de réussite comparable.
Les auteurs présentent cela comme une étape vers l'IA fondée sur l'ingénierie (EGAI), ancrant les efforts de l'agent dans la réalité ingénieriale réelle de la tâche plutôt que dans des stratégies de contexte maximal.