論文の概要: CRMWeaver: Building Powerful Business Agent via Agentic RL and Shared Memories

• arxiv url: http://arxiv.org/abs/2510.25333v1
• Date: Wed, 29 Oct 2025 09:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.385557
• Title: CRMWeaver: Building Powerful Business Agent via Agentic RL and Shared Memories
• Title（参考訳）: CRMWeaver:エージェントRLと共有メモリによる強力なビジネスエージェントの構築
• Authors: Yilong Lai, Yipin Yang, Jialong Wu, Fengran Mo, Zhenglin Wang, Ting Liang, Jianguo Lin, Keping Yang,
• Abstract要約: ビジネスエージェントを複雑な環境で強化する新しいアプローチであるCRMWeaverを提案する。 我々は、学習中に合成データ生成とRLに基づくパラダイムを採用し、複雑なデータを扱うモデルの能力を大幅に改善する。 CRMArena-Proデータセットに対する我々のアプローチの有効性を検証する。
• 参考スコア（独自算出の注目度）: 15.512057716487517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent years have witnessed the rapid development of LLM-based agents, which shed light on using language agents to solve complex real-world problems. A prominent application lies in business agents, which interact with databases and internal knowledge bases via tool calls to fulfill diverse user requirements. However, this domain is characterized by intricate data relationships and a wide range of heterogeneous tasks, from statistical data queries to knowledge-based question-answering. To address these challenges, we propose CRMWeaver, a novel approach that enhances business agents in such complex settings. To acclimate the agentic model to intricate business environments, we employ a synthesis data generation and RL-based paradigm during training, which significantly improves the model's ability to handle complex data and varied tasks. During inference, a shared memories mechanism is introduced, prompting the agent to learn from task guidelines in similar problems, thereby further boosting its effectiveness and generalization, especially in unseen scenarios. We validate the efficacy of our approach on the CRMArena-Pro dataset, where our lightweight model achieves competitive results in both B2B and B2C business scenarios, underscoring its practical value for real-world applications.
• Abstract（参考訳）: 近年、LLMベースのエージェントが急速に発展し、複雑な現実世界の問題を解決するために言語エージェントを使うことに光を当てている。 注目すべきアプリケーションは、多様なユーザ要求を満たすために、ツールコールを介してデータベースや内部知識ベースと対話するビジネスエージェントにあります。 しかし、この領域は、統計的データクエリから知識に基づく質問応答まで、複雑なデータ関係と幅広い異種タスクによって特徴づけられる。 このような課題に対処するために、このような複雑な環境でビジネスエージェントを強化する新しいアプローチであるCRMWeaverを提案する。 エージェントモデルをビジネス環境を複雑にするために、トレーニング中に合成データ生成とRLベースのパラダイムを採用し、複雑なデータやさまざまなタスクを扱う能力を大幅に向上させる。 推論中に共有記憶機構を導入し、同様の問題において、エージェントがタスクガイドラインから学ぶように促すことにより、特に目に見えないシナリオにおいて、その効果と一般化がさらに促進される。 CRMArena-Proデータセットでは,B2BとB2Cの両方のビジネスシナリオにおいて,私たちの軽量モデルが競合する結果を達成し,実世界のアプリケーションに対する実用的価値を評価できる。

関連論文リスト

• Towards General Agentic Intelligence via Environment Scaling [78.66355092082253]
  高度なエージェントインテリジェンスは、現実世界のアプリケーションに大規模言語モデルをデプロイするための前提条件である。 完全にシミュレートされた異種環境を自動的に構築するスケーラブルなフレームワークを設計する。 エージェントベンチマーク, tau-bench, tau2-Bench, ACEBenchの実験により, トレーニングモデルである AgentScaler が, モデルの関数呼び出し能力を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-09-16T17:57:20Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.78397717362797]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
  大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。 既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。 本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:38:23Z)
• LAM SIMULATOR: Advancing Data Generation for Large Action Model Training via Online Exploration and Trajectory Feedback [121.78866929908871]
  AIエージェントのための大規模アクションモデル(LAM)は、素晴らしいポテンシャルを提供するが、高品質なトレーニングデータを必要とするため、課題に直面している。 LAM SIMULATORは,高品質なフィードバックによるエージェントタスクのオンライン探索を目的とした総合的なフレームワークである。 本フレームワークは,動的タスククエリジェネレータ,広範囲なツールコレクション,および大規模言語モデル(LLM)エージェントがツールを呼び出し,リアルタイムフィードバックを受信できる対話型環境を備えている。
  論文  参考訳（メタデータ） (2025-06-02T22:36:02Z)
• Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG [0.8463972278020965]
  大規模言語モデル(LLM)は、人間のようなテキスト生成や自然言語理解を可能にすることによって、人工知能(AI)に革命をもたらした。 Retrieval Augmented Generation (RAG) がソリューションとして登場し、リアルタイムデータ検索を統合して文脈に関連のある応答を提供することでLLMを強化している。 Agentic Retrieval-Augmented Generation (RAG)は、自律的なAIエージェントをRAGパイプラインに埋め込むことによって、これらの制限を超越する。
  論文  参考訳（メタデータ） (2025-01-15T20:40:25Z)
• A Survey on Large Language Model-based Agents for Statistics and Data Science [18.661109623897197]
  LLM(Large Language Models)を利用したデータサイエンスエージェントは、従来のデータ分析パラダイムを変える大きな可能性を示している。 この調査は、LLMベースのデータエージェントの進化、機能、および応用の概要を提供する。
  論文  参考訳（メタデータ） (2024-12-18T15:03:26Z)
• Unleashing LLM Reasoning Capability via Scalable Question Synthesis from Scratch [54.12139707822201]
  本稿では,新しい,スケーラブルで費用対効果の高いデータ合成手法であるScaleQuestを提案する。 スクラッチから多様な質問を生成することで、100万の問題解決ペアのデータセットを生成します。 私たちの実験では、データに基づいてトレーニングされたモデルが、既存のオープンソースデータセットより優れています。
  論文  参考訳（メタデータ） (2024-10-24T12:42:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。