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 бюджета. Метод формализует минимально достаточное выполнение и коэффициент когнитивной избыточности агента (ACRR), чтобы предотвратить чрезмерное чтение файлов и зависимостей.
На бенчмарке MSE-Bench с 121 редактированием E3 достигает успеха в 100%, как и сильнейший базовый вариант, одновременно сокращая затраты на 85%, количество токенов на 91% и число проверяемых файлов на 92%. Он также превосходит сильный адаптивный метод извлечения информации на 16%, при этом преимущества сохраняются при изменении формулировок инструкций и различных весовых коэффициентах стоимости. Вспомогательная система с использованием gpt-4o на реальной открытой библиотеке подтвердила, что E3 является самой экономной и быстрой политикой при сопоставимом уровне успеха задач.
Авторы рассматривают это как шаг к инженерно обоснованному ИИ (EGAI), где усилия агента привязаны к инженерным реалиям задачи, а не к стратегиям максимального контекста. Фреймворк и бенчмарк опубликованы для поддержки этого сдвига.