論文の概要: Toward Efficient Agents: Memory, Tool learning, and Planning

• arxiv url: http://arxiv.org/abs/2601.14192v1
• Date: Tue, 20 Jan 2026 17:51:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.43849
• Title: Toward Efficient Agents: Memory, Tool learning, and Planning
• Title（参考訳）: 効率的なエージェントを目指して:記憶、ツール学習、計画
• Authors: Xiaofang Yang, Lijun Li, Heng Zhou, Tong Zhu, Xiaoye Qu, Yuchen Fan, Qianshan Wei, Rui Ye, Li Kang, Yiran Qin, Zhiqiang Kou, Daizong Liu, Qi Li, Ning Ding, Siheng Chen, Jing Shao,
• Abstract要約: 本稿では,レイテンシ,トークン,ステップなどのコストを考慮したメモリ,ツール学習,計画という,エージェントの3つのコアコンポーネントの効率性について検討する。
• 参考スコア（独自算出の注目度）: 96.93533945696156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent years have witnessed increasing interest in extending large language models into agentic systems. While the effectiveness of agents has continued to improve, efficiency, which is crucial for real-world deployment, has often been overlooked. This paper therefore investigates efficiency from three core components of agents: memory, tool learning, and planning, considering costs such as latency, tokens, steps, etc. Aimed at conducting comprehensive research addressing the efficiency of the agentic system itself, we review a broad range of recent approaches that differ in implementation yet frequently converge on shared high-level principles including but not limited to bounding context via compression and management, designing reinforcement learning rewards to minimize tool invocation, and employing controlled search mechanisms to enhance efficiency, which we discuss in detail. Accordingly, we characterize efficiency in two complementary ways: comparing effectiveness under a fixed cost budget, and comparing cost at a comparable level of effectiveness. This trade-off can also be viewed through the Pareto frontier between effectiveness and cost. From this perspective, we also examine efficiency oriented benchmarks by summarizing evaluation protocols for these components and consolidating commonly reported efficiency metrics from both benchmark and methodological studies. Moreover, we discuss the key challenges and future directions, with the goal of providing promising insights.
• Abstract（参考訳）: 近年、大規模言語モデルをエージェントシステムに拡張することへの関心が高まっている。 エージェントの有効性は改善され続けているが、現実のデプロイメントにとって重要な効率性はしばしば見過ごされている。 そこで本稿では,遅延,トークン,ステップなどのコストを考慮したメモリ,ツール学習,計画という,エージェントの3つのコアコンポーネントの効率性について検討する。 エージェントシステム自体の効率性に対処する包括的研究を目的とし,提案手法は,圧縮と管理によるコンテキスト境界に限定されない共有高レベルの原則,ツールの実行を最小化するための強化学習報酬の設計,効率性向上のための制御された探索機構の活用など,実装において異なるが,共有高レベルの原則に頻繁に収束する広範囲なアプローチを概観する。 したがって、固定コスト予算下での有効性を比較することと、同等の効率でコストを比較することの2つの相補的な方法により効率を特徴づける。 このトレードオフは、有効性とコストの間のParetoフロンティアを通じて見ることもできる。 この観点から、これらのコンポーネントの評価プロトコルを要約し、ベンチマークと方法論の両方から一般的に報告されている効率指標を統合することにより、効率指向ベンチマークについても検討する。 さらに、有望な洞察を提供することを目標として、重要な課題と今後の方向性について論じる。

関連論文リスト

• Budget-Aware Tool-Use Enables Effective Agent Scaling [82.6942342482552]
  大規模言語モデル(LLM)におけるタスク間のテスト時間計算のスケーリングによるパフォーマンス向上 本研究では,これらのエージェントを,Web検索エージェントを中心に,明示的なツールコール予算の下で効果的にスケールする方法について検討する。 私たちは、エージェントに継続的な予算意識を提供する軽量プラグインであるBudget Trackerを紹介します。
  論文  参考訳（メタデータ） (2025-11-21T07:18:55Z)
• A Comprehensive Empirical Evaluation of Agent Frameworks on Code-centric Software Engineering Tasks [14.762911285395047]
  代表的な3つのコード中心タスクにまたがる7つの汎用エージェントフレームワークを評価する。 この結果から,評価フレームワーク間の機能パターンとトレードオフが明らかとなった。 オーバヘッドに関しては、ソフトウェア開発が最も金銭コストが高いのに対して、GPTswarmは依然として最もコスト効率が高い。
  論文  参考訳（メタデータ） (2025-11-02T09:46:59Z)
• WebLeaper: Empowering Efficiency and Efficacy in WebAgent via Enabling Info-Rich Seeking [60.35109192765302]
  情報検索は、自律的な推論と意思決定を可能にする中核的な能力である。 我々は、高カバレッジなISタスクを構築し、効率的なソリューショントラジェクトリを生成するためのフレームワークであるWebLeaperを提案する。 本手法は,強いベースラインに対する有効性と効率性の向上を継続的に達成する。
  論文  参考訳（メタデータ） (2025-10-28T17:51:42Z)
• Efficient Agents: Building Effective Agents While Reducing Cost [48.65558640786415]
  LLM(Large Language Model)によるエージェントは、複雑なマルチステップタスクに対処するための高度なシステムを実現する。 この研究は、現代のエージェントシステムにおける効率効率性トレードオフに関する最初の体系的研究である。
  論文  参考訳（メタデータ） (2025-07-24T17:56:51Z)
• On the Scaling of Robustness and Effectiveness in Dense Retrieval [111.58315434849047]
  ロバストさと有効性は、現実世界のアプリケーションのための密集した検索モデルを開発する上で重要な側面である。 最近の研究は、高密度検索における有効性のスケーリング法則に対処し、モデルとデータのサイズと有効性の間には、ゆるい関係があることを明らかにしている。 堅牢性と有効性は異なるスケーリングパターンを示しており、両方を共同で改善する場合、かなりのリソースコストがかかります。
  論文  参考訳（メタデータ） (2025-05-30T06:57:27Z)
• Optimizing Anytime Reasoning via Budget Relative Policy Optimization [70.32755424260336]
  我々は,任意の推論性能を最適化する新しいフレームワークであるAnytimeReasonerを提案する。 従来の分布からサンプルトークンの予算に適合するように、完全な思考プロセスを切り離します。 次に、累積報酬を最大化するために、分割された方法で思考と要約ポリシーを最適化する。
  論文  参考訳（メタデータ） (2025-05-19T17:58:44Z)
• Learning to Rank for Active Learning via Multi-Task Bilevel Optimization [29.207101107965563]
  データ取得のための学習代理モデルを用いて、ラベルのないインスタンスのバッチを選択することを目的とした、アクティブな学習のための新しいアプローチを提案する。 このアプローチにおける重要な課題は、ユーティリティ関数の入力の一部を構成するデータの歴史が時間とともに増大するにつれて、よく一般化する取得関数を開発することである。
  論文  参考訳（メタデータ） (2023-10-25T22:50:09Z)
• Effective End-to-End Learning Framework for Economic Dispatch [3.034038412630808]
  エンド・ツー・エンドの機械学習の概念を採用し、経済的なディスパッチを行うためのタスク固有の学習基準を提案する。 提案する学習フレームワークの有効性と効率を明らかにするため,理論的分析と経験的洞察の両方を提供する。
  論文  参考訳（メタデータ） (2020-02-22T08:04:27Z)

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。