Pesquisadores propõem o E3 (Estimate, Execute, Expand), um framework para estimativa de escopo de execução consciente da tarefa que permite que agentes de IA avaliem a dificuldade da tarefa e as necessidades de informação antes de comprometer recursos. O método formaliza a execução mínima suficiente usando a Taxa de Redundância Cognitiva do Agente (ACRR) para evitar a releitura redundante de arquivos.
No benchmark MSE-Bench com 121 edições, o E3 iguala a taxa de sucesso de 100% do baseline mais forte enquanto reduz o custo em 85%, os tokens em 91% e os arquivos inspecionados em 92%. Ele também supera um baseline forte de recuperação adaptativa em 16%, com ganhos que persistem mesmo com variações na redação das instruções. Um harness companheiro usando gpt-4o em uma biblioteca open-source real confirmou o E3 como a política mais enxuta e rápida com sucesso de tarefa comparável.
Os autores enquadram isso como um passo em direção à IA baseada em engenharia (EGAI), ancorando o esforço do agente na realidade da engenharia da tarefa, em vez de estratégias de contexto máximo.