大規模言語モデル（LLM）を用いたエージェンティックシステムは、現在多くの実務応用で注目を集めていますが、従来のプロンプトベースの統合方式には大きな課題が存在します。モデル自身がワークフローの遷移を判断するプロンプト駆動型のアプローチでは、幻覚的なルーティング、無限ループ、そして再現不可能な実行といった問題が頻繁に発生してきました。こうした課題に対処するため、研究者たちはGraphBitという新しいエンジン統合型フレームワークを開発しました。 GraphBitの革新的な特徴は、ワークフローを有向非環グラフ（DAG）として明示的かつ決定論的に定義する点にあります。従来のプロンプト駆動型とは異なり、GraphBitではエージェントが型付き関数として機能し、Rustベースのエンジンが経路選択、状態遷移、ツール呼び出しを統治することで、再現性と監査可能性を確保しています。このエンジンは並列ブランチの実行、構造化された状態述語に基づく条件付き制御フロー、そして設定可能なエラー回復をサポートしています。 さらに、GraphBitは3層のメモリアーキテクチャを採用しており、一時的なスクラッチスペース、構造化された状態、外部コネクタで構成されています。この設計により、各ステージ間でコンテキストを隔離し、長時間稼働するパイプラインにおける推論を阻害するコンテキストの段階的な肥大化を防止しています。 性能評価においてGraphBitは、ツール不要タスクから文書補強ワークフロー、ウェブ対応ワークフローまで多岐にわたるGAIAベンチマークで、既存の6つのフレームワークを上回る成果を達成しました。最高精度67.6パーセント、フレームワーク誘導幻覚ゼロ、最小オーバーヘッド11.9ミリ秒、最高スループットという輝かしい結果です。アブレーション研究により、各メモリ層が性能に測定可能な貢献をしており、決定論的実行が実世界展開を代表するツール集約的タスクにおいて最大の改善をもたらすことが実証されました。