TIDE: Descoberta Proativa de Múltiplos Problemas via Iteração Guiada por Template

Resumo

Agentes são amplamente implantados como assistentes sobre documentos, ferramentas e código. No entanto, eles geralmente atuam apenas em solicitações explícitas dos usuários, que revelam apenas os problemas que o usuário notou, enquanto muitos outros problemas importantes coexistem, ocultos à vista de todos, no contexto mais amplo do usuário, com seu número total desconhecido de antemão. Enquadramos isso como a tarefa de descobrir múltiplos problemas ocultos a partir do contexto, na qual problemas coexistentes devem ser revelados, fundamentados em evidências de apoio e emparelhados com ações concretas. Para esse fim, apresentamos o TIDE, uma estrutura iterativa guiada por modelos com dois mecanismos complementares. Especificamente, motivados pela observação de que a previsão em passagem única se ancora nos casos mais salientes e produz alegações genéricas, propomos descoberta iterativa, que revela um pequeno lote de candidatos por rodada enquanto condiciona no que já foi encontrado, de modo que rodadas subsequentes ampliem a cobertura; e modelos de pensamento, esquemas reutilizáveis destilados de casos resolvidos anteriormente que especificam quais sinais contextuais atender e como conectá-los, ancorando cada previsão em uma classe de problema reconhecível. Validamos o TIDE em dois cenários realistas, espaços de trabalho pessoais e repositórios de software, em quatro arquiteturas de modelo base, mostrando ganhos substanciais sobre as linhas de base de agente único e multiagentes paralelos em cobertura, identificação e resolução de tarefas.

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.