人工知能の分野では、長期稼働するコーディングエージェント（例：自動研究システム）がオープンエンドな問題に対して最適化を継続的に発見できる。しかし、これらのエージェントは単一の高レベルアプローチに収束し、その後は低レベルの編集に留まり、他の優れた解決法を見逃す傾向がある。研究者Yuvraj Virkらは、この挙動の原因として、単一の長期エージェントにコンテキストを蓄積することと、編集可能なプログラム状態を一つだけに限定することの二つの設計選択が関与していると仮説を立てた。
この問題を解決するため、彼らはSwarmResearchを提案した。これはオーケストレータ・サブエージェントフレームワークであり、Shepherdエージェントがグローバルコンテキストを用いてSearchエージェントの集団を誘導する。各Searchエージェントは自身のgitブランチ内でローカルコンテキストを保持しながら動作する。この設計により、エージェントは異なる方向で独立して探索し、Shepherdエージェントが全体の探索プロセスを調整する。
オープンエンドな最適化タスクの実験では、SwarmResearchは13/15のタスクで最先端のLLM誘導進化法やマルチエージェント手法と同等以上の解を発見した。その優位性は高レベルの探索に起因する。固定規模の逐次・並列エージェントと比較して、SwarmResearchは異なる探索深度で並列性を適応的に調整することで、より優れた性能の解を発見した。
本論文は2026年7月2日にarXivに投稿され、主題は人工知能（cs.AI）である。この研究は、複数のエージェントを知的に統率することで、より効率的かつ包括的な自動最適化探索が可能になることを示している。