TIDE : Découverte proactive de multiples problèmes par itération guidée par template

Résumé

Les agents sont largement déployés comme assistants pour les documents, les outils et le code. Cependant, ils n'agissent généralement que sur des demandes explicites des utilisateurs, qui ne révèlent que les problèmes que l'utilisateur a remarqués, tandis que de nombreux autres problèmes importants coexistent, cachés à la vue de tous, dans le contexte plus large de l'utilisateur, leur nombre total étant inconnu à l'avance. Nous considérons cela comme la tâche de découvrir plusieurs problèmes cachés à partir du contexte, dans laquelle des problèmes coexistants doivent être mis au jour, étayés par des preuves, et associés à des actions concrètes. À cette fin, nous présentons TIDE, un cadre itératif guidé par des modèles avec deux mécanismes complémentaires. Plus précisément, motivés par l'observation que la prédiction en un seul passage se concentre sur les cas les plus saillants et produit des affirmations génériques, nous proposons une découverte itérative, qui fait émerger un petit lot de candidats par tour tout en conditionnant sur ce qui a déjà été trouvé, de sorte que les tours suivants étendent la couverture ; et des modèles de pensée, des schémas réutilisables distillés à partir de cas précédemment résolus qui spécifient à quels signaux contextuels prêter attention et comment les relier, ancrant chaque prédiction dans une classe de problèmes reconnaissable. Nous validons TIDE dans deux environnements réalistes, les espaces de travail personnels et les dépôts de logiciels, sur quatre modèles de base, montrant des gains substantiels par rapport aux références à passage unique et multi-agents parallèles en termes de couverture, d'identification et de résolution des tâches.

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.