論文の概要: Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering

• arxiv url: http://arxiv.org/abs/2604.08224v1
• Date: Thu, 09 Apr 2026 13:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.933913
• Title: Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering
• Title（参考訳）: LLMエージェントの外部化: メモリ、スキル、プロトコル、ハーネスエンジニアリングの統一的なレビュー
• Authors: Chenyu Zhou, Huacan Chai, Wenteng Chen, Zihan Guo, Rong Shan, Yuanyi Song, Tianyi Xu, Yingxuan Yang, Aofan Yu, Weiming Zhang, Congming Zheng, Jiachen Zhu, Zeyu Zheng, Zhuosheng Zhang, Xingyu Lou, Changwang Zhang, Zhihui Fu, Jun Wang, Weiwen Liu, Jianghao Lin, Weinan Zhang,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、その周辺のランタイムを再編成するよりも、モデルウェイトを変更することによって構築されるものが少なくなる。 本稿では、外部化のレンズを通してのシフトをレビューする。 エージェントインフラストラクチャは、補助的なコンポーネントを追加するだけでなく、ハード認知の負担をモデルがより確実に解決できる形式に変換するからである、と我々は主張する。
• 参考スコア（独自算出の注目度）: 55.93186934265401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents are increasingly built less by changing model weights than by reorganizing the runtime around them. Capabilities that earlier systems expected the model to recover internally are now externalized into memory stores, reusable skills, interaction protocols, and the surrounding harness that makes these modules reliable in practice. This paper reviews that shift through the lens of externalization. Drawing on the idea of cognitive artifacts, we argue that agent infrastructure matters not merely because it adds auxiliary components, but because it transforms hard cognitive burdens into forms that the model can solve more reliably. Under this view, memory externalizes state across time, skills externalize procedural expertise, protocols externalize interaction structure, and harness engineering serves as the unification layer that coordinates them into governed execution. We trace a historical progression from weights to context to harness, analyze memory, skills, and protocols as three distinct but coupled forms of externalization, and examine how they interact inside a larger agent system. We further discuss the trade-off between parametric and externalized capability, identify emerging directions such as self-evolving harnesses and shared agent infrastructure, and discuss open challenges in evaluation, governance, and the long-term co-evolution of models and external infrastructure. The result is a systems-level framework for explaining why practical agent progress increasingly depends not only on stronger models, but on better external cognitive infrastructure.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、その周辺のランタイムを再編成するよりも、モデルウェイトを変更することによって構築されるものが少なくなる。 以前のシステムが内部でモデルを回復すると予想していた機能は、メモリストア、再利用可能なスキル、インタラクションプロトコル、そしてこれらのモジュールを実際に信頼性のあるものにする周辺ハーネスに外部化されている。 本稿では、外部化のレンズを通してのシフトをレビューする。 認知的アーティファクトの概念に基づいて、エージェントインフラストラクチャは補助的なコンポーネントを付加するだけでなく、ハード認知的負担をモデルがより確実に解決できる形式に変換するからである、と我々は主張する。 この観点では、メモリは時間にわたって状態を外部化し、スキルは手続き的な専門知識を外部化し、プロトコルは相互作用構造を外部化し、エンジニアリングはそれらを管理された実行に調整する統一レイヤとして機能する。 我々は、重みから文脈への歴史的進歩をトレースし、メモリ、スキル、プロトコルを3つの異なる形で結合された外部化として分析し、より大きなエージェントシステム内でどのように相互作用するかを調べる。 さらに、パラメトリックと外部化能力のトレードオフについて議論し、自己進化型ハーネスや共有エージェントインフラストラクチャといった新たな方向性を特定し、モデルと外部インフラストラクチャの長期的な共進化に関するオープンな課題について議論する。 その結果、より強力なモデルだけでなく、より優れた外部認知基盤にも、実用的なエージェントの進歩がますます依存する理由を説明するためのシステムレベルのフレームワークとなった。

関連論文リスト

• The Auton Agentic AI Framework [5.410458076724158]
  人工知能の分野では、ジェネレーティブAIからエージェントAIへの移行が進行中である。 大規模言語モデル(LLM)は構造化されていない出力を生成するが、それらが制御しなければならないバックエンドインフラストラクチャは決定論的でスキーマに適合する入力を必要とする。 本稿では,自律エージェントの作成,作成,管理を行うための原則アーキテクチャであるAuton Agentic AI Frameworkについて述べる。
  論文  参考訳（メタデータ） (2026-02-27T06:42:08Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• Beyond Pipelines: A Survey of the Paradigm Shift toward Model-Native Agentic AI [27.209787026732972]
  エージェントAIの急速な進化は、人工知能の新しいフェーズを象徴している。 この調査はエージェントAI構築におけるパラダイムシフトをトレースする。 それぞれの能力が外部スクリプトモジュールからエンドツーエンドの学習行動へとどのように進化したかを調べる。
  論文  参考訳（メタデータ） (2025-10-19T05:23:43Z)
• Reimagining Agent-based Modeling with Large Language Model Agents via Shachi [16.625794969005966]
  大規模言語モデル(LLM)によるマルチエージェントシステムにおける創発的行動の研究は重要な研究課題である。 エージェントのポリシーをコア認知コンポーネントに分解する形式的方法論とモジュラーフレームワークであるShachiを紹介する。 提案手法を総合的な10タスクベンチマークで検証し,新しい科学的探究を通じてその能力を実証する。
  論文  参考訳（メタデータ） (2025-09-26T04:38:59Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
  本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。 本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。 実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2025-02-21T15:50:41Z)
• Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
  人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である 本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:57:57Z)

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。