Para peneliti mengusulkan E3 (Estimate, Execute, Expand), sebuah kerangka kerja untuk estimasi ruang lingkup eksekusi yang sadar tugas, yang memungkinkan agen AI menilai kesulitan tugas dan kebutuhan informasi sebelum berkomitmen pada sumber daya. Metode ini memformalkan eksekusi minimum-sufficient menggunakan Rasio Redundansi Kognitif Agen (ACRR) untuk mencegah pembacaan ulang file secara redundan.
Pada benchmark MSE-Bench dengan 121 pengeditan, E3 mencocokkan tingkat keberhasilan 100% dari baseline terkuat sambil memangkas biaya sebesar 85%, token sebesar 91%, dan file yang diperiksa sebesar 92%. Metode ini juga mengungguli baseline retrieval adaptif yang kuat sebesar 16%, dengan peningkatan yang bertahan pada wording instruksi yang dihold-out. Sebuah harness pendamping menggunakan gpt-4o pada pustaka open-source nyata mengonfirmasi E3 sebagai kebijakan yang paling ramping dan tercepat pada tingkat keberhasilan tugas yang sebanding.
Para penulis membingkai ini sebagai langkah menuju AI berbasis rekayasa (EGAI), dengan mengaitkan upaya agen pada realitas rekayasa aktual dari tugas tersebut, bukan strategi konteks maksimum.