この論文は、開発や情報処理を自動化する大規模言語モデル（LLM：Large Language Model）を使うエージェントが、作業に本当にどれだけの手間が必要かを判断できないことに注目しています。多くのエージェントは「まずできるだけ多くの情報を読む」戦略を取りがちで、ほんの一行の修正が小さなコードベースの全面確認に膨らんでしまいます。本研究は、作業の難しさと必要な情報量を見積もり、最短で確実な実行を選ぶ能力、つまり「タスクに応じた実行範囲の見積り」が欠けていると指摘します。著者らはこれを改善するための理論と手法を提示します。

研究者たちはまず「最小限で十分な実行（minimum-sufficient execution）」という概念を定式化しました。加えて、エージェントがどれだけ余分な認知作業をしているかを測る指標として、Agent Cognitive Redundancy Ratio（ACRR：エージェント認知冗長率）を提案しています。実用的な方策として E3（Estimate, Execute, Expand）を導入しました。E3 の手順は三段階です。最初に作業の初期点を見積もる（Estimate）—どれくらいの情報が必要か判断する。次に最小限の経路で実行する（Execute）。最後に検証が失敗したときだけ範囲を広げる（Expand）。

実験は二つの設定で行われました。まず MSE-Bench という能力を制御したシミュレータ上の決定性ベンチマーク（121件の編集タスク）で評価しました。そこで E3 は最強のベースラインと同じ100%の成功率を維持しながら、コストを85%削減し、送受信したトークン数を91%減らし、検査したファイル数を92%減らしました。また、強力な適応的検索（adaptive retrieval）ベースラインに対しても16%の改善を示しました。これらの改善は、指示文の言い回しを変えた保持データや、ほぼすべてのコストの重み付けでも持続しました。

次に現実的な検証として LLM-Case という実モデルのハーネスを使い、実際のオープンソース・ライブラリを gpt-4o（実モデル）で編集する試験を行いました。ここでは候補パッチを実際にテストスイート（pytest）で動かして評価する測定オラクルを使いました。結果はシミュレータほど極端ではありませんが、過剰な読み込みは現実にも存在しました。E3 は同等のタスク成功率で最も無駄が少なく、最速の方針でした。唯一の短所はプロバイダのレート制限（API呼び出し制限）による遅延で、編集の間違いが原因ではありませんでした。

この研究の意義は、エージェントの無駄な作業を定量化し減らす方法を示したことです。作業の「必要最小限」を見積もることで、計算コストや待ち時間を大きく節約できます。著者らはこれを「エンジニアリングに根ざしたAI（EGAI：Engineering-Grounded AI）」への一歩と位置づけ、実験フレームワークとベンチマークを公開しています。一方で重要な注意点として、著者はこれを「実際に展開されたエージェントの計測」ではなく制御された冗長性の探査だと明言しています。実験はシミュレータと特定の実験ハーネスに基づくものであり、すべての現場にそのまま当てはまるとは限りません。さらに、実運用ではプロバイダ制限や環境の違いが影響する可能性があります。