ATH-MaaS/Marco-DeepResearch

何を解決するか

Marco DeepResearch は、複雑な現実世界のタスクにおける AI エージェントと人間の専門家とのギャップを埋めます。特に、ドメイン固有の推論（例：法務や医療分野）、階層的なルール適用、大規模な情報検索（深さと幅の両方）、およびエージェントが過学習せずにスキルと記憶を進化させることの能力に限界がある点に焦点を当てています。

仕組み

このプロジェクトは、エージェントの能力を向上させるためのベンチマークとフレームワークのセットを提供します：

• Table-as-Search：長期間の検索をテーブル完成タスクとして扱うマルチエージェントフレームワーク。『広範囲（Wide）』と『深層（Deep）』のサブエージェントを階層的に調整し、状態を追跡し、効果的に計画する。
• UMEM（Unified Memory Extraction and Management）：エージェントが対話トレースからインサイトを抽出・管理する方法を最適化する自己進化型メモリシステム。機械的な暗記を回避する。
• Search2Skill：評価基準に基づく強化学習を用いて、外部検索結果から再利用可能な専門ドメインスキルを抽出するフレームワーク。
• ベンチマーク：貿易関税における階層的ルール適用をテストする HSCodeComp と、深さと幅の両方の情報検索を評価する DeepWideSearch を含む。

対象ユーザー

このプロジェクトは、垂直領域（例：EC、貿易、法務）向けの本格的なエージェントを開発している AI 研究者や開発者、および長期間計画や自己進化型エージェントメモリに取り組んでいる方々を対象としています。

主な特長

• 自己進化能力：UMEM により、カスタマーサポートエージェントのチューニング時間を数日から数分に短縮。エキスパートのギャップから自律的に学習。
• 高性能エージェント：Marco-DeepResearch-8B モデルと専用のエージェントオーケストレーターを含む。
• ドメイン特化の成功：汎用 LLM と比較して、国際貿易における HS クラス分類で顕著な向上を実現。
• 構造的計画：『Table-as-Search』アプローチを採用し、ビジネスインテリジェンスタスクにおけるエンティティのリコール率と属性の完全性を向上。