Os pesquisadores propõem o E3 (Estimate, Execute, Expand), um framework para estimativa do escopo de execução consciente da tarefa que permite aos agentes de IA avaliar a dificuldade da tarefa e as necessidades de informação antes de comprometer o orçamento. O método formaliza a execução mínima suficiente e a Taxa de Redundância Cognitiva do Agente (ACRR) para evitar que os agentes leiam em excesso arquivos e dependências.
No benchmark MSE-Bench com 121 edições, o E3 iguala a taxa de sucesso de 100% da linha de base mais forte, ao mesmo tempo que reduz o custo em 85%, os tokens em 91% e os arquivos inspecionados em 92%. Ele também supera uma linha de base forte de recuperação adaptativa em 16%, com ganhos que persistem em formulações de instruções mantidas fora da amostra e várias ponderações de custo. Um harness complementar usando gpt-4o em uma biblioteca real de código aberto confirmou o E3 como a política mais leve e rápida com sucesso de tarefa comparável.
Os autores enquadram isso como um passo em direção à IA baseada em engenharia (EGAI), onde o esforço do agente é ancorado na realidade de engenharia da tarefa, em vez de estratégias de contexto máximo. O framework e o benchmark são lançados para apoiar essa mudança.