Knowledge Assistant for Joint Utility: A Multi-Agent LLM-Driven Conversational System for Automated Task Execution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The integration of Large Language Models (LLMs) into developer workflows has redefined automation, yet most systems remain limited to executing direct terminal commands. A critical limitation in existing tools is the lack of adaptive AI systems that cater to both technical and non-technical users. Knowledge Assistant for Joint Utility advances this capability by enabling not only command execution but also intelligent explanation, code comprehension, and handling of complex, context-dependent tasks through file analysis. The system functions as a fully embedded LLM within the terminal environment. This assistant introduces a modular, agent-based architecture that supports debugging, screen processing, code editing, web-assisted installations, and dynamic project integration through a FastAPI backend and Java-based graphical interface. The system’s core innovation is its autonomous self-customization engine, where the Builder Agent interprets natural language requests to generate, implement, and integrate new functionalities into the assistant’s own codebase, allowing the system to dynamically evolve. Specialized agents—including Scraper, LLM, Builder, and Assistant—coordinate to deliver iterative, context-aware development and intelligent task handling. Evaluation across 124 installations yielded a Task Success Rate of 88.75% using GPT-4o and a Completion Rate of 93.45%, outperforming other LLMs such as Gemini and DeepSeek. These results highlight the system’s potential as a multi-agent computational framework that integrates conversational interaction with autonomous software engineering.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle