연구자들은 작업 인식 실행 범위 추정을 위한 프레임워크인 E3(Estimate, Execute, Expand)를 제안했습니다. 이는 AI 에이전트가 예산을 투입하기 전에 작업 난이도와 정보 필요성을 판단할 수 있게 합니다. 이 방법은 최소 충분 실행과 Agent Cognitive Redundancy Ratio (ACRR)를 공식화하여 에이전트가 파일과 의존성을 과도하게 읽는 것을 방지합니다.
121개의 편집으로 구성된 MSE-Bench 벤치마크에서 E3은最强의 베이스라인이 달성한 100% 성공률을 유지하면서 비용을 85%, 토큰을 91%, 검사된 파일을 92% 절감했습니다. 또한 강력한 적응형 검색 베이스라인보다 16% 더 우수했으며, 이 이점은 홀드아웃 명령어 표현과 다양한 비용 가중치에서도 유지되었습니다. 실제 오픈소스 라이브러리에서 gpt-4o를 사용한 동반 허들은 E3이 유사한 작업 성공률에서 가장 경량이고 빠른 정책임을 확인했습니다.
저자들은 이를 에이전트의 노력을 최대 컨텍스트 전략이 아닌 작업의 엔지니어링 현실에 기반을 두는 엔지니어링 기반 AI(EGAI)로의 한 걸음으로 규정합니다. 이 전환을 지원하기 위해 프레임워크와 벤치마크가 공개되었습니다.