研究者らは、タスク認識型実行スコープ推定のためのフレームワークであるE3（Estimate, Execute, Expand）を提案した。これはAIエージェントが予算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。この手法は、最小限で十分な実行とAgent Cognitive Redundancy Ratio (ACRR) を形式化し、エージェントによるファイルや依存関係の過剰な読み込みを防ぐ。

121件の編集からなるMSE-Benchベンチマークにおいて、E3は最強のベースラインが達成した100%の成功率を維持しつつ、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、この利点は未見の手順指示や様々なコスト重み付けにおいても持続した。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は、同等のタスク成功率においてE3が最も軽量で高速なポリシーであることを確認した。

著者らは、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エンジニアリング現実に基づける「エンジニアリング基盤AI（EGAI）」への一歩としてこれを位置づけている。この移行をサポートするため、フレームワークとベンチマークが公開された。