論文の概要: Cognis: Context-Aware Memory for Conversational AI Agents

• arxiv url: http://arxiv.org/abs/2604.19771v1
• Date: Fri, 27 Mar 2026 10:15:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.063789
• Title: Cognis: Context-Aware Memory for Conversational AI Agents
• Title（参考訳）: Cognis: 会話型AIエージェントのためのコンテキスト認識メモリ
• Authors: Parshva Daftari, Khush Patel, Shreyas Kapale, Jithin George, Siva Surendira,
• Abstract要約: LLMエージェントは永続的なメモリを欠き、セッション毎に会話がリセットされ、時間とともにパーソナライズされるのを防ぐ。 我々は会話型AIエージェントのための統一メモリアーキテクチャであるLyzr Cognisを紹介する。 システムはオープンソースで、対話型AIアプリケーションを提供する本番環境にデプロイされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents lack persistent memory, causing conversations to reset each session and preventing personalization over time. We present Lyzr Cognis, a unified memory architecture for conversational AI agents that addresses this limitation through a multi-stage retrieval pipeline. Cognis combines a dual-store backend pairing OpenSearch BM25 keyword matching with Matryoshka vector similarity search, fused via Reciprocal Rank Fusion. Its context-aware ingestion pipeline retrieves existing memories before extraction, enabling intelligent version tracking that preserves full memory history while keeping the store consistent. Temporal boosting enhances time-sensitive queries, and a BGE-2 cross-encoder reranker refines final result quality. We evaluate Cognis on two independent benchmarks -- LoCoMo and LongMemEval -- across eight answer generation models, demonstrating state-of-the-art performance on both. The system is open-source and deployed in production serving conversational AI applications.
• Abstract（参考訳）: LLMエージェントは永続的なメモリを欠き、セッション毎に会話がリセットされ、時間とともにパーソナライズされるのを防ぐ。 我々はLyzr Cognisを紹介した。Lyzr Cognisは会話型AIエージェントのための統一メモリアーキテクチャで、多段階検索パイプラインを通じてこの制限に対処する。 CognisはデュアルストアのバックエンドペアであるOpenSearch BM25キーワードとMateryoshkaベクトル類似検索を組み合わせることで、Reciprocal Rank Fusionを通じて融合する。 そのコンテキスト対応の取り込みパイプラインは、抽出前に既存のメモリを検索し、ストアの一貫性を維持しながら完全なメモリ履歴を保存するインテリジェントバージョントラッキングを可能にする。 テンポラルブースティングは時間に敏感なクエリを強化し、BGE-2クロスエンコーダリランカーは最終的な結果の品質を向上する。 私たちはCognisを8つの回答生成モデル(LoCoMoとLongMemEvalの2つの独立したベンチマーク)で評価し、どちらも最先端のパフォーマンスを示している。 このシステムはオープンソースで、会話型AIアプリケーションを提供する本番環境にデプロイされる。

関連論文リスト

• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• M2A: Multimodal Memory Agent with Dual-Layer Hybrid Memory for Long-Term Personalized Interactions [29.497569352308037]
  M2Aは、オンライン更新を通じてパーソナライズされたマルチモーダル情報を保持するエージェント二重層ハイブリッドメモリシステムである。 ChatAgentはユーザーインタラクションを管理し、メモリの問い合わせや更新のタイミングを自律的に決定する。 MemoryManagerは、ChatAgentからのメモリ要求を2層メモリバンクの詳細な操作に分解する。
  論文  参考訳（メタデータ） (2026-02-07T17:13:56Z)
• EverMemBench: Benchmarking Long-Term Interactive Memory in Large Language Models [16.865998112859604]
  EverMemBenchは、100万以上のトークンにまたがる多人数のマルチグループ会話を特徴とするベンチマークである。 EverMemBenchは、1000以上のQAペアを通じて3次元にわたるメモリシステムを評価する。
  論文  参考訳（メタデータ） (2026-02-01T16:13:08Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• HiMeS: Hippocampus-inspired Memory System for Personalized AI Assistants [7.477189210398971]
  短期記憶と長期記憶を融合したAI補助アーキテクチャであるHiMeSを提案する。 短期記憶と長期記憶を融合したAI補助アーキテクチャであるHiMeSを提案する。
  論文  参考訳（メタデータ） (2026-01-06T05:05:50Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。