長時間実行可能なコーディングエージェント（autoresearchなど）は、開放型問題に対する最適化を継続的に発見することができます。しかし、従来のアプローチでは、単一の高レベル戦略に収束してしまい、その後は低レベルな編集作業に終始して、問題に対するより優れた別のアプローチを見落とす傾向がありました。 研究者らはこの問題の原因として、2つの設計上の課題を指摘しています。それは、単一の長時間実行エージェント内でコンテキスト（文脈情報）が蓄積されることと、編集対象となるプログラム状態が1つだけ公開されていることです。これらの制限により、エージェントは探索空間を十分に広げられず、局所最適解に陥りやすくなっていたのです。 こうした課題を解決するため、新たに開発されたSwarmResearchは、オーケストレーター・サブエージェント型の構造を採用しました。システムは、グローバルコンテキストを保持する「Shepherd Agent（羊飼いエージェント）」と、それぞれがローカルコンテキストで独立したgitブランチ上で動作する複数の「Search Agents（探索エージェント）」で構成されます。羊飼いエージェントが全体を統括しながら、複数の探索エージェントが異なる方向性を並行して探索することで、より広範な解空間の調査が可能になります。 オープンエンドな最適化タスク15個のうち13個で、SwarmResearchは最先端のLLM誘導進化やマルチエージェント技術と比較して、より優れた、または同等の解を発見しました。固定的なスケーリング（直列または並列エージェント）と比べ、SwarmResearchのオーケストレーター誘導スケーリングは、探索の深さに応じて並列性を動的に適応させることで、より高性能な解を発見することに成功したのです。