体系 › 論文解説
·★ 会員·論文·9分で読めます

論文解説: From Evidence to Action: How Tool-Using Agents Fail — 失敗の診断指標と介入実験を本文から読む

道具を使うエージェントの失敗を「調べる・動く・つなぐ」の鎖に分けて測ったSafeActBench論文を、本文と付録まで読んで解説。診断指標の定義、根拠を抜いたときの挙動、証拠を構造化する追加実験の結果まで追う。

要点

  • 論文は「From Evidence to Action: How Tool-Using Agents Fail」で、道具を使うエージェントの失敗を扱う。
  • 結果が正しくても、その行動が事前に確かめた根拠に支えられていたとは限らない。
  • 静的な判断は強いが対話しながらの実行は弱く、失敗はしばしば実行より前に始まる。
  • 根拠がそろえば単発の行動はたいてい確実だが、複数の行動が続くと前提の未解決や途中終了が加わる。
  • 測定のため、6領域656件・5プロトコルの SafeActBench と Evidence Ledger を作った。
対象textタスクarchitecture

From Evidence to Action: How Tool-Using Agents Fail

一次資料 — この記事の根拠

論文の発表 2026-10-06→この解説の公開 2026-10-11同月

From Evidence to Action: How Tool-Using Agents FailHongzhan Lin, Shidong Cao, Ziyang Luo ほか · 2026-10-06 · v1arXiv:2610.07753論文ページ·PDF
原文の要旨(Abstract)を読む

Tool-using agents make consequential changes to external state, yet correct outcomes do not guarantee that their actions were supported by evidence established beforehand. We study where this evidence-to-action chain breaks as agents move from deciding whether to act to executing single actions and dependent workflows. Across ten model-harness configurations, strong static action assessment can coexist with much weaker interactive execution. Failures often begin before execution: agents stop with incomplete investigation or act before required evidence is established. Once required evidence is obtained, single-action execution is usually reliable, while multi-action workflows additionally expose unresolved prerequisites and incomplete execution. For this analysis, we introduce SafeActBench, comprising 656 cases across six operational domains and five protocols that progress from static action judgment and investigated non-action to single- and multi-action workflows. A provenance-bound Evidence Ledger and deterministic trajectory evaluator track what information was established, when actions occurred, and whether downstream dependencies were satisfied. These results show that failures arise not only from missing information, but also from how agents use established evidence when deciding and executing actions.


「結果が合っていた」では足りない

この記事で読む論文の原題は "From Evidence to Action: How Tool-Using Agents Fail"(Hongzhan Lin ほか / arXiv:2610.07753, 2026-10-06)です。全体像だけなら無料の概要版があります。この記事では本文と付録まで読み、失敗をどう分けて測ったかを追います。

要旨はこうです。道具を使うエージェントは外部の状態を書き換えますが、結果が正しくても、その行動が事前に確かめた根拠に支えられていたとは限りません。著者らは、動くかどうかの判断から単発の実行、依存関係のある一連の作業へと進むにつれ、根拠から行動への鎖がどこで切れるかを10通りのモデルとハーネスの組で調べました。静的な判断は強いのに対話しながらの実行は弱い、という組が見つかります。失敗はしばしば実行より前、つまり調べ切らずに止まるか、根拠がそろう前に動くところで始まります。根拠がそろえば単発の行動はたいてい確実ですが、複数の行動が続くと前提の未解決や途中終了が加わります。測定のために、6領域656件・5プロトコルの SafeActBench と、出所に紐づく根拠の台帳 Evidence Ledger、決定的な軌跡評価器を作りました。結論は、失敗は情報不足だけでなく、確立した根拠の使い方からも生じる、というものです。

比喩: 返金担当の新人

論文冒頭の例です(§1)。新人に「重複請求を返金して、お客様に連絡して」と頼みます。正しくは、対象の請求を特定し、重複か、返金条件を満たすかを確かめてから返金し、返ってきた返金番号を連絡に書きます。

ところが新人は別の請求 C1 を見て、金額が同じだったので C2 を返金しました。返金は成功し金額も合っています。それでも C2 については何も確かめていないので、この行動は根拠に支えられていないと判定されます(§3.1)。

鎖の3つの輪

656件は5段に分かれます(表1)。

プロトコル 求められる振る舞い 件数
Legacy 与えられた候補行動を Allow / Block / Defer で判定 86
V0 調査を終えた上で何も実行しない 175
V1 根拠をそろえてから正しい行動を1回 131
V2 2回以上の行動を直列に、前の実際の結果を使う 132
V3 依存グラフ(DAG)に沿った任意の順序で2回以上 132

行動 には、実行前に確立すべき要件の集合 (対象・状態・金額・権限など)が決まっていて、エージェントには見せません(§4.1)。…

この先にあるもの

§

ここから先は会員限定です

解説記事449本・教科書42章・学生モード48単元・論文精読6本が、月額¥490ですべて読み放題になります。新しい解説は1日あたり平均3本ほど増えます。いつでも解約でき、解約後も期間の終わりまで読めます。

会員の方はログインすると続きが表示されます

参考文献

  1. Hongzhan Lin, Shidong Cao, Ziyang Luo, Wenhao Chai et al.. (2026-10-06) From Evidence to Action: How Tool-Using Agents Fail. arXiv:2610.07753論文ページ·PDF

本記事は上記論文の本文にもとづいて執筆しています。数値・主張は原典を優先してください。

運営: TechAthletes · 編集方針 · 出典の付け方 · 訂正の記録

コメント

コメントにはログインが必要です