論文の概要: Mesh Memory Protocol: Semantic Infrastructure for Multi-Agent LLM Systems

• arxiv url: http://arxiv.org/abs/2604.19540v1
• Date: Tue, 21 Apr 2026 15:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.828942
• Title: Mesh Memory Protocol: Semantic Infrastructure for Multi-Agent LLM Systems
• Title（参考訳）: Mesh Memory Protocol:マルチエージェントLLMシステムのためのセマンティックインフラストラクチャ
• Authors: Hongwei Xu,
• Abstract要約: LLMエージェントは、数日または数週間にわたるタスクでますます協力する。 これにより、エージェントはセッション間でリアルタイムでお互いの認知状態を共有し、評価し、組み合わせる必要がある。 我々はこのクロスセッションエージェント対エージェント認知コラボレーションを、並列エージェント実行とは別物と呼ぶ。
• 参考スコア（独自算出の注目度）: 0.9494375075678443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Teams of LLM agents increasingly collaborate on tasks spanning days or weeks: multi-day data-generation sprints where generator, reviewer, and auditor agents coordinate in real time on overlapping batches; specialists carrying findings forward across session restarts; product decisions compounding over many review rounds. This requires agents to share, evaluate, and combine each other's cognitive state in real time across sessions. We call this cross-session agent-to-agent cognitive collaboration, distinct from parallel agent execution. To enable it, three problems must be solved together. (P1) Each agent decides field by field what to accept from peers, not accept or reject whole messages. (P2) Every claim is traceable to source, so returning claims are recognised as echoes of the receiver's own prior thinking. (P3) Memory that survives session restarts is relevant because of how it was stored, not how it is retrieved. These are protocol-level properties at the semantic layer of agent communication, distinct from tool-access and task-delegation protocols at lower layers. We call this missing protocol layer "semantic infrastructure," and the Mesh Memory Protocol (MMP) specifies it. Four composable primitives work together: CAT7, a fixed seven-field schema for every Cognitive Memory Block (CMB); SVAF, which evaluates each field against the receiver's role-indexed anchors and realises P1; inter-agent lineage, carried as parents and ancestors of content-hash keys and realising P2; and remix, which stores only the receiver's own role-evaluated understanding of each accepted CMB, never the raw peer signal, realising P3. MMP is specified, shipped, and running in production across three reference deployments, where each session runs an autonomous agent as a mesh peer with its own identity and memory, collaborating with other agents across the network for collective intelligence.
• Abstract（参考訳）: ジェネレータ、レビュア、監査エージェントが、重複するバッチをリアルタイムで調整するマルチデイデータ生成スプリント、セッションの再スタートを前に進める専門家、多くのレビューラウンドを複雑にする製品決定。 これにより、エージェントはセッション間でリアルタイムでお互いの認知状態を共有し、評価し、組み合わせる必要がある。 我々はこのクロスセッションエージェント対エージェント認知コラボレーションを、並列エージェント実行とは別物と呼ぶ。 これを実現するには、3つの問題を一緒に解決しなければならない。 (P1) 各エージェントは、メッセージ全体を受け入れたり拒否したりせず、何を受け入れるかをフィールドごとに決定する。 (P2) すべてのクレームはソースにトレース可能であるので、返却クレームはレシーバ自身の以前の考え方のエコーとして認識される。 (P3) セッションの再起動を生き残るメモリは、どのように保存されたか、どのように取り出されたかではなく、関連性がある。 これらはエージェント通信のセマンティック層におけるプロトコルレベルの特性であり、下位層のツールアクセスプロトコルやタスクデリゲーションプロトコルとは異なる。 私たちはこの欠落したプロトコル層を"意味的インフラストラクチャ"と呼び、Mesh Memory Protocol(MMP)がそれを定義します。 CAT7はすべてのコグニティブメモリブロック(CMB)に対して固定された7フィールドスキーマであり、SVAFはレシーバーのロールインデックス付きアンカーに対して各フィールドを評価し、P1を認識する。 それぞれのセッションは、独自のアイデンティティとメモリを備えたメッシュピアとして自律エージェントを実行し、ネットワーク全体で他のエージェントとコラボレーションして、集合的インテリジェンスを実現する。

関連論文リスト

• MPAC: A Multi-Principal Agent Coordination Protocol for Interoperable Multi-Agent Collaboration [2.643905034529239]
  MPACはアプリケーション層プロトコルで、このギャップを5つの層にまたがる明示的なコーディネーションセマンティクスで埋める。 仕様では21のメッセージタイプ、標準トランジションテーブルを備えた3つのステートマシン、Lamport-clock因果電子透かし、2つの実行モデル、3つのセキュリティプロファイル、共有状態の楽観的な制御を定義している。 制御された3エージェントのコードレビューベンチマークでは、調整オーバーヘッドが95%削減され、壁時計の4.8倍のスピードアップを示した。
  論文  参考訳（メタデータ） (2026-04-10T01:12:05Z)
• Co-TAP: Three-Layer Agent Interaction Protocol Technical Report [25.250986874331645]
  Co-TAPはマルチエージェントシステムで直面する課題に対処するために設計された3層エージェントインタラクションプロトコルである。 我々は、HAI(Human-Agent Interaction Protocol)、UAP(Unified Agent Protocol)、MEK(Memory-Extraction-Knowledge Protocol)の3つのコアプロトコルからなる階層型ソリューションを設計、提案した。
  論文  参考訳（メタデータ） (2025-10-09T14:20:19Z)
• PBFT-Backed Semantic Voting for Multi-Agent Memory Pruning [0.0]
  本稿では,マルチエージェントシステム(MAS)における同期メモリプルーニングを可能にするCo-Forgetting Protocolを提案する。 1) エージェントが軽量な DistilBERT モデルを用いて、その内容と現在の運用状況に基づいて、メモリアイテムの関連性を評価すること、2) 時間的地平線をまたいで、その年齢とアクセス頻度に基づいて、メモリに重要性を割り当てるマルチスケールの時間的減衰関数、(3) 実践的ビザンチンフォールトトレランス(PBFT)に基づくコンセンサス機構により、メモリアイテムの保持または破棄の決定が、適格でフォールトトレラントなエージェントによって合意されることを保証すること、である。
  論文  参考訳（メタデータ） (2025-06-19T08:28:29Z)
• PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
  本稿では,PC-Agentという階層型エージェントフレームワークを提案する。 認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。 意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:55Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• ACE: Cooperative Multi-agent Q-learning with Bidirectional Action-Dependency [65.28061634546577]
  マルチエージェント強化学習(MARL)は非定常性問題に悩まされる。 本稿では,双方向行動依存型Q-ラーニング(ACE)を提案する。 ACEは、Google Research FootballとStarCraft Multi-Agent Challengeで最先端のアルゴリズムを上回っている。
  論文  参考訳（メタデータ） (2022-11-29T10:22:55Z)
• Learning From Good Trajectories in Offline Multi-Agent Reinforcement Learning [98.07495732562654]
  オフラインマルチエージェント強化学習(MARL)は、事前コンパイルされたデータセットから効果的なマルチエージェントポリシーを学ぶことを目的としている。 オフラインのMARLが学んだエージェントは、しばしばこのランダムなポリシーを継承し、チーム全体のパフォーマンスを脅かす。 この問題に対処するために,共有個人軌道(SIT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:11:26Z)

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。