TIDE: Proactieve Meervoudige Probleemontdekking via Sjabloongeleide Iteratie

Samenvatting

Agenten worden veelvuldig ingezet als assistenten voor documenten, hulpmiddelen en code. Ze reageren echter doorgaans alleen op expliciete gebruikersverzoeken, die alleen de problemen aan het licht brengen die de gebruiker heeft opgemerkt, terwijl er vele andere belangrijke problemen naast elkaar bestaan, verborgen in het volle zicht, binnen de bredere gebruikerscontext, waarvan het totale aantal vooraf onbekend is. We formuleren dit als de taak van het ontdekken van meerdere verborgen problemen uit de context, waarbij naast elkaar bestaande problemen moeten worden blootgelegd, onderbouwd met ondersteunend bewijs, en gekoppeld aan concrete acties. Daartoe introduceren we TIDE, een sjabloongestuurd iteratief raamwerk met twee complementaire mechanismen. In het bijzonder, gemotiveerd door de observatie dat eenmalige voorspelling zich richt op de meest opvallende gevallen en algemene beweringen oplevert, stellen we iteratieve ontdekking voor, die per ronde een kleine reeks kandidaten naar boven brengt, daarbij conditionerend op wat al is gevonden, zodat volgende rondes de dekking uitbreiden; en denkpatroonsjablonen, herbruikbare schema's die zijn gedestilleerd uit eerder opgeloste gevallen en die specificeren op welke contextuele signalen moet worden gelet en hoe deze te verbinden, waarbij elke voorspelling wordt verankerd in een herkenbare probleemklasse. We valideren TIDE in twee realistische omgevingen, persoonlijke werkruimten en software repositories, over vier modelbackbones, en tonen substantiële verbeteringen aan ten opzichte van eenmalige en parallelle multi-agent baselines op het gebied van taakdekking, identificatie en resolutie.

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.