Исследователи предлагают E3 (Estimate, Execute, Expand) — фреймворк для оценки области выполнения, учитывающей задачу, который позволяет ИИ-агентам оценивать сложность задачи и потребность в информации до выделения ресурсов. Метод формализует минимально достаточное выполнение с помощью коэффициента когнитивной избыточности агента (ACRR), чтобы предотвратить избыточное перечитывание файлов.
На бенчмарке MSE-Bench, состоящем из 121 редактирования, E3 демонстрирует уровень успеха 100%, сопоставимый с лучшим базовым вариантом, одновременно сокращая стоимость на 85%, количество токенов на 91% и число проверенных файлов на 92%. Он также превосходит сильный адаптивный метод извлечения информации на 16%, причём преимущество сохраняется при изменении формулировок инструкций. Вспомогательная система, использующая gpt-4o на реальной открытой библиотеке, подтвердила, что E3 является самой экономичной и быстрой политикой при сопоставимом уровне успеха задач.
Авторы рассматривают это как шаг к инженерно-обоснованному ИИ (EGAI), привязывая усилия агента к реальной инженерной практике задачи, а не к стратегиям максимального контекста.