研究人员提出了 E3（Estimate, Execute, Expand），这是一种任务感知的执行范围估计框架，允许 AI 智能体在投入资源之前判断任务难度和信息需求。该方法使用 Agent Cognitive Redundancy Ratio (ACRR) 形式化了最小充分执行，以防止对文件的冗余重读。
在包含 121 次编辑的 MSE-Bench 基准测试中，E3 以 85% 的成本削减、91% 的 token 减少和 92% 的检查文件减少，达到了与最强基线相同的 100% 成功率。它还比强大的自适应检索基线高出 16%，且这种优势在保留的指令措辞中依然存在。一个使用 gpt-4o 在真实开源库上的配套测试工具证实，E3 是在任务成功率相当的情况下最精简、最快的策略。
作者将此框架为迈向工程基础 AI（EGAI）的一步，将智能体的努力锚定在任务的实际工程现实上，而不是最大上下文策略。