研究人员提出了E3（Estimate, Execute, Expand），这是一种面向任务感知的执行范围估计框架，允许AI智能体在投入预算前判断任务难度和信息需求。该方法形式化了最小充分执行和智能体认知冗余比（ACRR），以防止智能体过度读取文件和依赖项。

在包含121个编辑的MSE-Bench基准测试中，E3达到了与最强基线相同的100%成功率，同时将成本降低了85%，token数量减少了91%，检查的文件数减少了92%。它还比强大的自适应检索基线高出16%，且这些优势在保留的指令措辞和各种成本权重下依然保持。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，其中智能体的努力锚定于任务的工程现实，而非最大上下文策略。该框架和基准测试已发布以支持这一转变。