論文の概要: Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution

• arxiv url: http://arxiv.org/abs/2512.10696v1
• Date: Thu, 11 Dec 2025 14:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.419098
• Title: Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution
• Title（参考訳）: Refine Me: 経験駆動型エージェント進化のための動的手続き型メモリフレームワーク
• Authors: Zouying Cao, Jiaji Deng, Li Yu, Weikang Zhou, Zhaoyang Liu, Bolin Ding, Hai Zhao,
• Abstract要約: 我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
• 参考スコア（独自算出の注目度）: 52.76038908826961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Procedural memory enables large language model (LLM) agents to internalize "how-to" knowledge, theoretically reducing redundant trial-and-error. However, existing frameworks predominantly suffer from a "passive accumulation" paradigm, treating memory as a static append-only archive. To bridge the gap between static storage and dynamic reasoning, we propose $\textbf{ReMe}$ ($\textit{Remember Me, Refine Me}$), a comprehensive framework for experience-driven agent evolution. ReMe innovates across the memory lifecycle via three mechanisms: 1) $\textit{multi-faceted distillation}$, which extracts fine-grained experiences by recognizing success patterns, analyzing failure triggers and generating comparative insights; 2) $\textit{context-adaptive reuse}$, which tailors historical insights to new contexts via scenario-aware indexing; and 3) $\textit{utility-based refinement}$, which autonomously adds valid memories and prunes outdated ones to maintain a compact, high-quality experience pool. Extensive experiments on BFCL-V3 and AppWorld demonstrate that ReMe establishes a new state-of-the-art in agent memory system. Crucially, we observe a significant memory-scaling effect: Qwen3-8B equipped with ReMe outperforms larger, memoryless Qwen3-14B, suggesting that self-evolving memory provides a computation-efficient pathway for lifelong learning. We release our code and the $\texttt{reme.library}$ dataset to facilitate further research.
• Abstract（参考訳）: 手続き記憶により、大規模言語モデル(LLM)エージェントは「ハウツー」知識を内部化し、理論的には冗長な試行錯誤を減らすことができる。 しかし、既存のフレームワークは主に"パッシブな蓄積"パラダイムに悩まされており、メモリを静的な追加専用アーカイブとして扱う。 静的ストレージと動的推論のギャップを埋めるために、経験駆動エージェント進化のための包括的なフレームワークである$\textbf{ReMe}$(\textit{Remember Me, Refine Me}$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する。 1)$\textit{multi-faceted distillation}$は、成功パターンを認識し、障害トリガを分析し、比較洞察を生成することにより、きめ細かい経験を抽出する。 2$\textit{context-adaptive reuse}$は、シナリオ認識インデックスを通して、過去の洞察を新しいコンテキストにカスタマイズする。 3)$\textit{utility-based refinement}$。これは、コンパクトで高品質なエクスペリエンスプールを維持するために、有効なメモリと古いメモリを自律的に追加する。 BFCL-V3とAppWorldに関する大規模な実験は、ReMeがエージェントメモリシステムに新たな最先端技術を確立することを実証している。 ReMeを搭載したQwen3-8Bは、より大きく、メモリレスなQwen3-14Bよりも優れており、自己進化型メモリが生涯学習のための計算効率の高い経路を提供することを示唆している。 さらなる研究を容易にするために、コードと$\texttt{reme.library}$データセットをリリースします。

関連論文リスト

• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)
• ArcMemo: Abstract Reasoning Composition with Lifelong LLM Memory [21.4675019810992]
  概念レベルのメモリは再利用され、ソリューショントレースから抽出されたモジュラー抽象化が自然言語に格納される。 我々は、合成一般化と抽象的推論を強調するベンチマークARC-AGIを評価する。 抽象概念は最も一貫したメモリ設計であり、全てのテストされた推論計算スケールでベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-09-04T17:54:19Z)
• Memp: Exploring Agent Procedural Memory [72.41472703974935]
  LLM(Large Language Models)ベースのエージェントは様々なタスクをこなすが、静的パラメータで手動で設計または絡み合うような不安定なプロシージャメモリに悩まされる。 本稿では,過去のエージェントの軌跡をステップバイステップの細粒度と高レベルなスクリプトライクな抽象化の両方に蒸留するMempを提案する。 メモリレポジトリが洗練されるにつれて、エージェントは着実に高い成功率と類似タスクの効率を達成できることを示す。
  論文  参考訳（メタデータ） (2025-08-08T16:20:56Z)
• G-Memory: Tracing Hierarchical Memory for Multi-Agent Systems [44.844636264484905]
  大規模言語モデル (LLM) を利用したマルチエージェントシステム (MAS) は、単一のLLMエージェントよりもはるかに高い認知と実行能力を示している。 組織記憶理論に触発されたMASのための階層型エージェントメモリシステムG-Memoryを紹介する。 Gメモリは、インボディードアクションの成功率と知識QAの精度を、それぞれ20.89%$と10.12%$で改善する。
  論文  参考訳（メタデータ） (2025-06-09T03:43:46Z)
• R$^3$Mem: Bridging Memory Retention and Retrieval via Reversible Compression [24.825945729508682]
  情報保持と検索の両方を最適化するメモリネットワークであるR$3$Memを提案する。 R$3$Memは、仮想メモリトークンを使用して無限に長い履歴を圧縮およびエンコードし、階層的な圧縮戦略によってさらに強化される。 実験により,長文言語モデリングおよび検索強化生成タスクにおいて,メモリ設計が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-02-21T21:39:00Z)

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。