연구자들은 AI 에이전트가 리소스를 투입하기 전에 작업 난이도와 정보 요구사항을 판단할 수 있게 하는 작업 인지 실행 범위 추정 프레임워크인 E3(Estimate, Execute, Expand)를 제안했다. 이 방법은 파일의 중복 읽기를 방지하기 위해 Agent Cognitive Redundancy Ratio (ACRR)를 사용하여 최소 충분 실행을 공식화한다.
121개 수정으로 구성된 MSE-Bench 벤치마크에서 E3는 최고 성능 베이스라인의 100% 성공률과 동등하면서도 비용을 85%, 토큰을 91%, 검사된 파일을 92% 절감했다. 또한 강력한 적응형 검색 베이스라인보다 16% 우수했으며, 그 이점은 홀드아웃 지시문 wording에서도 유지되었다. 실제 오픈소스 라이브러리에서 gpt-4o를 사용한 동반 허니 테스트는 E3가 유사한 작업 성공률에서 가장 경량이고 빠른 정책임을 확인했다.
저자들은 이를 에이전트의 노력을 최대 컨텍스트 전략이 아닌 작업의 실제 엔지니어링 현실에 기반함으로써, 엔지니어링 기반 AI(EGAI)로 나아가는 한 걸음으로 규정한다.