近年、大規模言語モデル（LLM）を科学ワークフローに活用する動きが加速していますが、単一エージェントシステムではコンテキスト飽和の問題が顕著です。ツール仕様や観測トレースが蓄積するにつれて、有効なコンテキストが減少し、エンドツーエンドの信頼性が損なわれます。この課題に対し、研究者ら（Jinpai Zhao, Albert Cerrone, Joannes Westerink, Clint Dawson）は流体力学向けのマルチエージェントシステムプロトタイプを提案し、レイヤー実行グラフ（Layer Execution Graph, LEG）を用いて専門エージェントを調整します。本論文は2026年5月1日にarXiv（番号2605.01102）に提出されました。
本システムでは、プランナーエージェントが自然言語によるルーティングヒューリスティックからクエリ固有の実行トポロジを構築し、ドメイン知識を硬直した制御ロジックではなく柔軟に取り込みます。専門エージェントは厳格なツール許可リストの下で動作し、補完的なデータロールを担います（例：異なるデータクラスを処理）。レイヤー間では統合エージェントが並行出力を簡潔なブリーフに融合し、レポーターエージェントが最終応答を合成します。ランタイムはすべてのツール呼び出しの出典を記録し、監査可能性を確保します。すべてのベンチマーク、アブレーション、ストレステストにはClaude Sonnet 4.6がバックボーンモデルとして使用され、6つの複雑性カテゴリにわたる37のクエリで評価されました。
その結果、プロトタイプは93.6%の事実精度と100%の合格率を達成しました。シングルスレッドから5つの独立並行トラックまで、精度は90%以上を維持し、個別データソースの喪失をシミュレートした場合でも、システムは優雅に劣化し、実質的な部分回答を返しました。これらの結果は、プランナー誘導のグラフ構造マルチエージェントオーケストレーションが、単一アーキテクチャを制約するコンテキスト飽和のボトルネックを有意義に緩和できることを示唆しており、科学自律推論の新たなパラダイムを提供します。