論文の概要: ContextWeaver: Selective and Dependency-Structured Memory Construction for LLM Agents

• arxiv url: http://arxiv.org/abs/2604.23069v1
• Date: Fri, 24 Apr 2026 23:39:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.13716
• Title: ContextWeaver: Selective and Dependency-Structured Memory Construction for LLM Agents
• Title（参考訳）: ContextWeaver: LLMエージェントの選択的および依存性構造化メモリ構築
• Authors: Yating Wu, Yuhao Zhang, Sayan Ghosh, Sourya Basu, Anoop Deoras, Jun Huan, Gaurav Gupta,
• Abstract要約: ContextWeaverは、大規模言語モデル(LLM)エージェントのための選択的で依存性構造化されたメモリフレームワークである。 エージェントのインタラクショントレースを推論ステップのグラフに整理し、将来のアクションに関連するコンテキストを選択する。 pass@1のスライディングウィンドウベースラインよりもパフォーマンスが向上し、推論ステップとトークンの使用が削減される。
• 参考スコア（独自算出の注目度）: 19.133532974091953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents often struggle in long-context interactions. As the agent accumulates more interaction history, context management approaches such as sliding window and prompt compression may omit earlier structured information that later steps rely on. Recent retrieval-based memory systems surface relevant content but still overlook the causal and logical structure needed for multi-step reasoning. We introduce ContextWeaver, a selective and dependency-structured memory framework that organizes an agent's interaction trace into a graph of reasoning steps and selects the relevant context for future actions. Unlike prior context management approaches, ContextWeaver supports: (1) dependency-based construction and traversal that link each step to the earlier steps it relies on; (2) compact dependency summarization that condenses root-to-step reasoning paths into reusable units; and (3) a lightweight validation layer that incorporates execution feedback. On the SWE-Bench Verified and Lite benchmarks, ContextWeaver improves performance over a sliding-window baseline in pass@1, while reducing reasoning steps and token usage. Our observations suggest that modeling logical dependencies provides a stable and scalable memory mechanism for LLM agents that use tools.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、長いコンテキストの相互作用にしばしば苦労する。 エージェントがより多くのインタラクション履歴を蓄積するにつれて、スライディングウィンドウやプロンプト圧縮のようなコンテキスト管理アプローチは、後続のステップが依存する以前の構造化情報を省略する可能性がある。 近年の検索ベースメモリシステムでは, 関連コンテンツが表面化しているが, 多段階推論に必要な因果的, 論理的構造をいまだ見落としている。 エージェントのインタラクショントレースを推論ステップのグラフに整理し、将来のアクションに関連するコンテキストを選択する。 従来のコンテキスト管理アプローチとは異なり、ContextWeaverは、(1)各ステップを依存する前のステップにリンクする依存性ベースの構築とトラバーサル、(2)ルートからステップまでの推論パスを再利用可能な単位に凝縮するコンパクトな依存関係の要約、(3)実行フィードバックを組み込んだ軽量な検証層をサポートする。 SWE-Bench Verified and Liteベンチマークでは、ContextWeaverがpass@1のスライディングウィンドウベースライン上でのパフォーマンスを改善し、推論ステップとトークン使用率を削減している。 我々の観察では、論理的依存関係のモデリングは、ツールを使用するLCMエージェントに対して安定かつスケーラブルなメモリ機構を提供することを示唆している。

関連論文リスト

• TA-Mem: Tool-Augmented Autonomous Memory Retrieval for LLM in Long-Term Conversational QA [8.036549927091286]
  大規模言語モデル(LLM)は、様々なドメインにわたるテキストベースのコンテキストにおいて強力な推論能力を示した。 コンテキストウィンドウの制限は、長距離推論タスクにおけるモデルの課題を引き起こす。 ツール拡張型自律メモリ検索フレームワーク(TA-Mem)を導入する。 TA-MemはLoCoMoデータセットで評価され、既存のベースラインアプローチよりも大幅にパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2026-03-10T07:27:01Z)
• 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)
• DYCP: Dynamic Context Pruning for Long-Form Dialogue with LLMs [8.451732843394973]
  大きな言語モデル(LLM)は、対話の長さが大きくなるにつれて応答遅延が増加し、応答品質が低下する。 我々は,クエリ時に関連メモリを動的に分割・取得する,軽量なコンテキスト管理手法であるDyCPを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T20:47:50Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension [55.29309306566238]
  現在のLarge Language Models (LLM) は、長文文書を解釈する際に圧倒的な情報量に直面している。 この課題は、バニラLSMを自律的な読み出しエージェントに高めることができる凝集性メモリモジュールの必須性を高める。 我々はジャン・ピアジェの構成主義理論(Constructivist Theory)からインスピレーションを得て、エージェントメモリの3つの特性(構造化スキーマ、フレキシブルな同化、動的調節)を表現した。
  論文  参考訳（メタデータ） (2025-10-07T02:16:30Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• Task Memory Engine (TME): Enhancing State Awareness for Multi-Step LLM Agent Tasks [0.0]
  階層型タスクメモリツリー(TMT)を用いてタスク実行を追跡する軽量で構造化されたメモリモジュールを提案する。 TMEはグラフ対応に設計されており、再利用可能なサブステップ、タスクパスの収束、依存関係の共有をサポートする。
  論文  参考訳（メタデータ） (2025-04-11T13:38:36Z)

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。