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 anggaran. Metode ini memformalkan eksekusi minimum-sufficient dan Rasio Redundansi Kognitif Agen (ACRR) untuk mencegah agen membaca file dan dependensi secara berlebihan.
Pada benchmark MSE-Bench dengan 121 pengeditan, E3 menyamai tingkat keberhasilan 100% dari baseline terkuat sambil memangkas biaya sebesar 85%, token sebesar 91%, dan file yang diperiksa sebesar 92%. Metode ini juga mengalahkan baseline pengambilan adaptif yang kuat sebesar 16%, dengan keuntungan yang bertahan pada wording instruksi yang dihold-out dan berbagai penimbangan biaya. Sebuah harness pendamping yang menggunakan gpt-4o pada pustaka open-source nyata mengonfirmasi E3 sebagai kebijakan yang paling ramping dan tercepat pada keberhasilan tugas yang sebanding.
Para penulis membingkai ini sebagai langkah menuju AI berbasis rekayasa (EGAI), di mana upaya agen berakar pada realitas rekayasa dari tugas tersebut daripada strategi konteks maksimum. Kerangka kerja dan benchmark dirilis untuk mendukung pergeseran ini.