TIDE: Proaktive Multi-Problem-Entdeckung mittels vorlagengeführter Iteration

Zusammenfassung

Agenten werden vielfach als Assistenten für Dokumente, Werkzeuge und Code eingesetzt. Allerdings reagieren sie typischerweise nur auf explizite Benutzeranfragen, die lediglich die vom Benutzer bemerkten Probleme sichtbar machen, während viele andere wichtige Probleme, verborgen in aller Deutlichkeit, im weiteren Benutzerkontext koexistieren, deren Gesamtzahl im Voraus unbekannt ist. Wir fassen dies als die Aufgabe auf, mehrere verborgene Probleme aus dem Kontext zu entdecken, bei der koexistierende Probleme aufgedeckt, auf Grundlage unterstützender Belege begründet und mit konkreten Aktionen verknüpft werden sollen. Zu diesem Zweck führen wir TIDE ein, ein vorlagenbasiertes iteratives Rahmenwerk mit zwei komplementären Mechanismen. Angeregt durch die Beobachtung, dass eine einmalige Vorhersage auf den auffälligsten Fällen beruht und allgemeine Behauptungen liefert, schlagen wir insbesondere das iterative Entdecken vor, das pro Runde eine kleine Menge an Kandidaten unter Berücksichtigung dessen, was bereits gefunden wurde, hervorbringt, sodass nachfolgende Runden die Abdeckung erweitern; sowie Denkvorlagen (Thought Templates), wiederverwendbare Schemata, die aus zuvor gelösten Fällen destilliert wurden und festlegen, auf welche kontextuellen Signale zu achten ist und wie sie zu verknüpfen sind, wodurch jede Vorhersage in einer erkennbaren Problemklasse verankert wird. Wir validieren TIDE in zwei realistischen Szenarien – persönliche Arbeitsbereiche und Software-Repositorys – über vier Modell-Backbones hinweg und zeigen substanzielle Verbesserungen gegenüber einmaligen und parallelen Multi-Agenten-Baselines hinsichtlich Aufgabenabdeckung, Identifikation und Lösung.

English

Agents are widely deployed as assistants over documents, tools, and code. However, they typically act only on explicit user requests, which surface only the problems the user has noticed, while many other important problems coexist, hidden in plain sight, within the broader user context, with their total number unknown in advance. We frame this as the task of discovering multiple hidden problems from context, in which coexisting problems should be uncovered, grounded in supporting evidence, and paired with concrete actions. To this end, we introduce TIDE, a template-guided iterative framework with two complementary mechanisms. Specifically, motivated by the observation that single-pass prediction anchors on the most salient cases and yields generic claims, we propose iterative discovery, which surfaces a small batch of candidates per round while conditioning on what has already been found, so subsequent rounds extend coverage; and thought templates, reusable schemas distilled from previously solved cases that specify what contextual signals to attend to and how to connect them, anchoring each prediction in a recognizable problem class. We validate TIDE on two realistic settings, personal workspaces and software repositories, across four model backbones, showing substantial gains over single-shot and parallel multi-agent baselines on task coverage, identification, and resolution.