論文の概要: ByteRover: Agent-Native Memory Through LLM-Curated Hierarchical Context

• arxiv url: http://arxiv.org/abs/2604.01599v1
• Date: Thu, 02 Apr 2026 04:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.263934
• Title: ByteRover: Agent-Native Memory Through LLM-Curated Hierarchical Context
• Title（参考訳）: ByteRover: LLM-Curated Hierarchical Contextによるエージェントネイティブメモリ
• Authors: Andy Nguyen, Danh Doan, Hoang Pham, Bao Ha, Dat Pham, Linh Nguyen, Hieu Nguyen, Thien Nguyen, Cuong Do, Phat Nguyen, Toan Nguyen,
• Abstract要約: 本稿では,メモリパイプラインを反転させるエージェントネイティブメモリアーキテクチャByteRoverを提案する。 ByteRoverは、ドメイン、トピック、サブトピック、エントリとして整理されたファイルベースの知識グラフである階層的コンテキストツリーにおける知識を表す。 LoCoMoとLongMemEvalの実験は、ByteRoverがLoCoMoの最先端の精度とLongMemEvalの競争結果を達成することを示した。
• 参考スコア（独自算出の注目度）: 7.906778920268216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory-Augmented Generation (MAG) extends large language models with external memory to support long-context reasoning, but existing approaches universally treat memory as an external service that agents call into, delegating storage to separate pipelines of chunking, embedding, and graph extraction. This architectural separation means the system that stores knowledge does not understand it, leading to semantic drift between what the agent intended to remember and what the pipeline actually captured, loss of coordination context across agents, and fragile recovery after failures. In this paper, we propose ByteRover, an agent-native memory architecture that inverts the memory pipeline: the same LLM that reasons about a task also curates, structures, and retrieves knowledge. ByteRover represents knowledge in a hierarchical Context Tree, a file-based knowledge graph organized as Domain, Topic, Subtopic, and Entry, where each entry carries explicit relations, provenance, and an Adaptive Knowledge Lifecycle (AKL) with importance scoring, maturity tiers, and recency decay. Retrieval uses a 5-tier progressive strategy that resolves most queries at sub-100 ms latency without LLM calls, escalating to agentic reasoning only for novel questions. Experiments on LoCoMo and LongMemEval demonstrate that ByteRover achieves state-of-the-art accuracy on LoCoMo and competitive results on LongMemEval while requiring zero external infrastructure, no vector database, no graph database, no embedding service, with all knowledge stored as human-readable markdown files on the local filesystem.
• Abstract（参考訳）: Memory-Augmented Generation (MAG)は、長期コンテキスト推論をサポートするために、大きな言語モデルを外部メモリに拡張するが、既存のアプローチでは、チャンキング、埋め込み、グラフ抽出のパイプラインを分離するために、呼び出し、ストレージの委譲を行う外部サービスとして、メモリを普遍的に扱う。 このアーキテクチャ分離は、知識を格納するシステムがそれを理解していないことを意味しており、エージェントが記憶しようとするものとパイプラインが実際に取得したものとの間にセマンティックなドリフトをもたらし、エージェント間の調整コンテキストが失われ、障害後の脆弱な回復につながる。 本稿では,メモリパイプラインを反転させるエージェントネイティブメモリアーキテクチャであるByteRoverを提案する。 ByteRoverは、ドメイン、トピック、サブトピック、エントリとして組織されたファイルベースの知識グラフである階層的コンテキストツリーにおける知識を表現する。 Retrievalは5層プログレッシブ戦略を採用しており、LLMコールなしで100ms以下のレイテンシでほとんどのクエリを解決し、新しい質問に対してのみエージェント推論にエスカレートする。 LoCoMoとLongMemEvalの実験では、ByteRoverはLoCoMoの最先端の精度とLongMemEvalの競合する結果を達成し、外部インフラストラクチャはゼロ、ベクタデータベースは不要、グラフデータベースは不要、埋め込みサービスは不要、ローカルファイルシステム上の人間可読なマークダウンファイルとして保存される。

関連論文リスト

• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• E-mem: Multi-agent based Episodic Context Reconstruction for LLM Agent Memory [4.8183840404266185]
  E-memは、メモリ前処理からエピソードコンテキスト再構成に移行するフレームワークである。 E-memは54%以上のF1を達成し、最先端のGAMを7.75%上回り、トークンコストを70%以上削減している。
  論文  参考訳（メタデータ） (2026-01-29T13:42:42Z)
• Continuum Memory Architectures for Long-Horizon LLM Agents [0.0]
  Retrieval-augmented Generation (RAG) は、文脈知識を備えた大規模言語モデル(LLM)エージェントのデフォルト戦略となっている。 textitContinuum Memory Architecture (CMA)は、インタラクション間の内部状態をメンテナンスし、更新するシステムのクラスです。 我々は、RAGの構造的欠如が記憶の蓄積、突然変異、曖昧さを露呈するタスクに対して、一貫した振る舞い上の利点を示す。
  論文  参考訳（メタデータ） (2026-01-14T22:40:35Z)
• Hindsight is 20/20: Building Agent Memory that Retains, Recalls, and Reflects [11.300084544174894]
  エージェントメモリを推論のための構造化第1級基板として扱うメモリアーキテクチャであるHindsightを提案する。 情報の追加、アクセス、更新の方法を管理する3つのコア操作 – 保持、リコール、リフレクション – をサポートしている。 オープンソースの20Bモデルは、全文ベースラインで全体の精度を39%から83.6%に引き上げる。
  論文  参考訳（メタデータ） (2025-12-14T19:47:23Z)
• Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
  大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。 本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
  論文  参考訳（メタデータ） (2025-08-27T12:26:55Z)
• Hierarchical Memory for High-Efficiency Long-Term Reasoning in LLM Agents [19.04968632268433]
  大規模言語モデルエージェント(LLMエージェント)のための階層型メモリアーキテクチャを提案する。 各メモリベクトルは、次の層のセマンティック関連サブメモリを指し示す位置インデックスが埋め込まれている。 推論フェーズにおいて、インデックスベースのルーティング機構は、網羅的な類似性計算を行うことなく、効率的な層間検索を可能にする。
  論文  参考訳（メタデータ） (2025-07-23T12:45:44Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)
• MemoRAG: Boosting Long Context Processing with Global Memory-Enhanced Retrieval Augmentation [60.04380907045708]
  Retrieval-Augmented Generation (RAG)は、この問題に対処するための有望な戦略と考えられている。 我々は,グローバルメモリ拡張検索による新しいRAGフレームワークであるMemoRAGを提案する。 MemoRAGは、様々な長期コンテキスト評価タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-09T13:20:31Z)

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。