शोधकर्ताओं ने E3 (Estimate, Execute, Expand) प्रस्तावित किया है, जो कार्य-जागरूक निष्पादन श्रेणी अनुमान के लिए एक फ्रेमवर्क है जो AI एजेंट्स को संसाधन समर्पित करने से पहले कार्य की कठिनाई और जानकारी की आवश्यकता का आकलन करने देता है। विधि न्यूनतम-पर्याप्त निष्पादन को Agent Cognitive Redundancy Ratio (ACRR) के माध्यम से औपचारिक बनाती है ताकि फ़ाइलों के अनावश्यक पुनः पढ़ने से रोका जा सके।
121 संपादनों वाले MSE-Bench बेंचमार्क पर, E3 सबसे मजबूत बेलाइन की 100% सफलता दर को बनाए रखते हुए लागत को 85%, टोकन को 91% और निरीक्षित फ़ाइलों को 92% कम करता है। यह एक मजबूत अनुकूलन पुनर्प्राप्ति बेलाइन से 16% अधिक प्रदर्शन करता है, और लाभ निर्दिष्ट निर्देशों के शब्दों में परिवर्तन के बावजूद बना रहते हैं। gpt-4o का उपयोग करने वाले एक साथी हार्नेस ने एक वास्तविक ओपन-सोर्स लाइब्रेरी पर E3 को तुलनीय कार्य सफलता के साथ सबसे हल्की और तेज़ नीति के रूप में पुष्टि की।
लेखक इसे इंजीनियरिंग-आधारित AI (EGAI) की ओर एक कदम के रूप में देखते हैं, जो एजेंट के प्रयास को अधिकतम-संदर्भ रणनीतियों के बजाय कार्य की वास्तविक इंजीनियरिंग यथार्थता में स्थापित करता है।