शोधकर्ताओं ने E3 (Estimate, Execute, Expand) प्रस्तावित किया, जो कार्य-जागरूक निष्पादन श्रेणी अनुमान के लिए एक फ्रेमवर्क है जो AI एजेंट्स को बजट देने से पहले कार्य की कठिनाई और जानकारी की आवश्यकता का आकलन करने देता है। विधि न्यूनतम-पर्याप्त निष्पादन और एजेंट संज्ञानात्मक अतिरेख अनुपात (ACRR) को औपचारिक बनाती है ताकि एजेंट्स फ़ाइलों और निर्भरताओं को अत्यधिक पढ़ने से बचें।
121 संपादन वाले MSE-Bench बेंचमार्क पर, E3 सबसे मजबूत आधार रेखा की 100% सफलता दर के बराबर है, जबकि लागत को 85%, टोकन को 91% और जाँची गई फ़ाइलों को 92% तक कम करता है। यह एक मजबूत अनुकूलन पुनर्प्राप्ति आधार रेखा से 16% बेहतर है, और लाभ अलग रखी गई निर्देश भाष्य और विभिन्न लागत भारण के तहत भी बने रहते हैं। gpt-4o का उपयोग करने वाला एक साथी हार्नेस ने एक वास्तविक ओपन-सोर्स लाइब्रेरी पर E3 को तुलनीय कार्य सफलता के साथ सबसे हल्का और तेज़ नीति के रूप में पुष्टि किया।
लेखक इसे इंजीनियरिंग-आधारित AI (EGAI) की ओर एक कदम के रूप में देखते हैं, जहाँ एजेंट का प्रयास कार्य की इंजीनियरिंग यथार्थता में आधारित होता है, न कि अधिकतम-संदर्भ रणनीतियों में। इस बदलाव को समर्थन देने के लिए फ्रेमवर्क और बेंचमार्क जारी किए गए हैं।