科学計算の分野では、計測、分析、ワークフローの移植といったパフォーマンスエンジニアリング作業に、大規模言語モデルベースのエージェントを活用する動きがますます広がっている。しかし、エージェントの有効性は周囲のハーネスに大きく依存しており、そのハーネスは通常、手作業で書かれたスキルと厳選されたメモリに頼っている。このことが自律学習を制限し、エージェントは以前の実行から知識を保持・再利用するのではなく、解決策を繰り返し再発見することを余儀なくされている。
この問題に対して、研究チームは Phronix と呼ぶ能力中心型の学習パラダイムを提案した。これは、エージェントハーネスが自身の実行から再利用可能な能力を獲得し、検証し、洗練させることを可能にする。Phronix の中核は「予測-検証-修正」ループである。MCP ツールと関連スキルが解決策を提案し、ツールの実行がそれを検証し、観察された結果が保存された能力を洗練する。システムは観察されたすべての相互作用を能力ストアに蒸留し、失敗したタスクに対しては放棄するのではなく研究を進める。
実験結果は複数の面で利点を示している。第一に、学習した能力は反復タスクを初回試行で 93% から 95% のケースで解決し、これは評価されたすべてのモデルに当てはまり、解決の非決定性を大幅に減らして信頼性を高める。第二に、Phronix はユーザー指示なしに、エージェント自身の実行をタスクあたり 7.6 から 30.8 個の持続的能力に変換する。必要な能力が既に存在する場合、新規作成数は 2 個未満に減少する。第三に、ウォームスタート実行はタスクあたり 0.38 から 0.40 百万トークンしか消費せず、これはベースラインの単一試行の 3 分の 1 から 4 分の 1 である。一方、コールドスタートのコストはベースラインを超えない。
具体的な事例として、研究チームは Phronix を 1000 Genome Pegasus ワークフローに適用し、本番アプリケーションに I/O パフォーマンス分析のための計測を追加した。その結果、Phronix は全 11 件の正確性チェックに合格したが、ベースラインハーネスは 6 件のみであった。さらに Phronix は、2 つの低コストモデルの SWE-bench タスク解決率をそれぞれ 29% と 27% から 91% と 87% に引き上げ、評価された中で最も高価なモデルに匹敵する性能を達成した。
本論文は Hariharan Devarajan 氏ら 6 名によるもので、本文 11 ページに参考文献を加えた構成である。人工知能（cs.AI）分野に属し、2026 年 10 月 22 日に arXiv へ投稿された（arXiv:2610.31789v1）。この研究は、能力中心型学習パラダイムがエージェントの自律性、信頼性、計算効率を高める可能性を示し、科学計算におけるエージェントハーネス設計に新たな視点を提供している。