研究者らは、タスク対応型実行スコープ推定のフレームワークであるE3（Estimate, Execute, Expand）を提案した。これは、AIエージェントがリソースをコミットする前にタスクの難易度と情報ニーズを判断できるようにするものである。本手法は、ファイルの冗長な再読を防ぐためにAgent Cognitive Redundancy Ratio (ACRR)を用いて最小十分実行を形式化する。

121件の編集からなるMSE-Benchベンチマークにおいて、E3は最良のベースラインの100%成功率と同等でありながら、コストを85%、トークンを91%、検査対象ファイルを92%削減した。また、強力な適応的検索ベースラインよりも16%優れており、その効果は未学習の手順記述においても維持された。オープンソースライブラリ上でgpt-4oを用いたコンパニオンハーネスによる検証でも、E3が同等のタスク成功率において最も軽量かつ高速なポリシーであることが確認された。

著者らはこれを、エージェントの努力を最大コンテキスト戦略ではなくタスクの実際のエンジニアリング現実に根ざすことで、エンジニアリングに裏打ちされたAI（EGAI）への一歩として位置づけている。