Recursive Agent Harnesses
本論文は、親エージェントがファイルシステムおよび実行ツールを備えた並列のサブエージェント・ハーネスを生成する、コード第一主義のフレームワークであるRecursive Agent Harness (RAH) を導入し、固定されたより強力なバックボーンモデルを用いて評価した際、従来のモデル再帰ベースラインと比較して、長文脈推論およびコーディングタスクにおいて大幅な改善を示すことを実証する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
数百万冊の本が入った巨大な図書室があり、その一冊一冊から特定の事実を見つけ出さなければならないと想像してください。
旧来の方法：過重労働に追われる司書
以前、スマートなAI（「コーディング・エージェント」）にこれを行わせようとした場合、そのAIは超高速の司書として振る舞おうとしました。それは単純なルール（特定のキーワードを探すなど）を使って本をスキャンし、答えを見つけようとしました。しかし、図書室があまりにも巨大であるため、司書は一度に手に取れる本が数冊に限られていました。彼らは実際のテキストを読み飛ばし、こうした単純なルールに頼らざるを得ませんでした。もし答えが特定のページに関する深い思考を必要とするものであった場合、司書は見落としてしまうのです。
「モデル再帰（Model Recursion）」の方法：思考の連鎖
「再帰的言語モデル（RLM）」と呼ばれる別の手法は、図書室を小さな束に分けることでこの問題を解決しようとしました。AIは一つの束について考え、次に次の束、さらにその次の束へと、長い思考の連鎖を辿ります。しかし、このAIは本に触れることが禁じられた司書のようです。彼らは与えられたテキストについて考えることはできますが、ファイルを開いたり、ツールを使ったり、虫眼鏡を使用したりすることはできません。彼らは賢いのですが、実際の道具を使うことができない無力な存在なのです。
新しい方法：「再帰的エージェント・ハーネス（Recursive Agent Harness: RAH）」
この論文は、**RAH（再帰的エージェント・ハーネス）**という新しい戦略を紹介しています。
RAHを、単なる一人の司書ではなく、仕事のために新しいチームを構築する**「マスター・コントラクター（親請け業者）」**と考えてください。
- マスター・プラン（基本計画）： メインとなるAI（親）は、巨大な図書室を見て、「自分一人ではこれはできないし、ただ考えるだけでは不十分だ」と悟ります。
- スクリプトの作成： 親自身が作業を行おうとする代わりに、コンピュータ・プログラム（スクリプト）を書き上げます。このスクリプトは、「図書室にあるすべての本に対して、完全に装備を整えた新しい助手を採用せよ」という指示書のようなものです。
- サブ・チーム： スクリプトを実行すると、即座に数百のサブ・エージェントが生成されます。決定的なのは、これらのサブ・エージェントの一人ひとりが**「完全な作業員」**であることです。彼らにはそれぞれ専用のデスク、独自の道具（ファイル・オープナー、検索エンジン、コード実行器など）、そして独自のコンテキスト・ウィンドウ（自分自身の精神的空間）があります。
- 並列作業： 旧来の司書が一度に一冊の本しか見られず、思考の連鎖を用いるAIが一度に一つの束しか考えられなかったのに対し、RAHは、完全に装備を整えた何千人もの助手たちを送り出し、彼らがそれぞれの本に対して同時に作業を行うようにします。
- 結果： 各助手が自分の担当する本を読み、道具を使って答えを見つけ出し、その結果を書き留めます。その後、親がすべての答えを回収します。
「道具箱」の比喩
鍵となる違いは**「道具箱」**にあります。
- コーディング・エージェントは道具箱を持っていますが、一度に数冊の本しか見ることができません。
- RLMは巨大な脳を持っていますが、道具箱を持っていません。ファイルを開くことができないのです。
- RAHは、すべての作業員に自分専用のフル装備の道具箱を与え、彼らが並列で作業できるようにします。
この論文が明らかにしたこと
研究者たちは、これを「Oolong」と呼ばれる非常に困難なテストを用いて検証しました。これは、400万語（小さな小説一冊分ほどですが、数千のエントリが含まれる規模）に及ぶドキュメントの中から答えを見つけ出すものです。
- すべてのテストにおいて公平な比較を行うため、すべてのテストで同じ「脳」（GPT-5）を使用しました。
- 旧来の「コーディング・エージェント」の正解率は約**72%**でした。
- 「モデル再帰（ツールなし）」は、約**64%**でした。
- 新しいRAHの手法は、**81%**に達しました。
まとめ
論文によれば、この向上はAIモデル自体をより賢くしたことによるものではありません。それは完全に、**「どのように作業を組織化するか」**を変えたことによるものです。「再帰的ユニット（作業を繰り返す単位）」を、単なる「思考」から「道具を持つ完全な作業員」へと変えることで、システムはより複雑で大規模な問題を解決する能力が大幅に向上したのです。
著者らは、これは単なる理論ではないと述べています。これは、Anthropic社のダイナミック・ワークフローのような、実際のプロダクション・システムがすでに採用し始めている手法と同様のものです。彼らは単に、このパターンに名前を与え、それが従来の方法よりも優れていることを証明したのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。