論文の概要: A Language for Describing Agentic LLM Contexts

• arxiv url: http://arxiv.org/abs/2605.01920v1
• Date: Sun, 03 May 2026 15:02:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.995848
• Title: A Language for Describing Agentic LLM Contexts
• Title（参考訳）: エージェントLLMコンテキスト記述言語
• Authors: Noga Peleg Pelc, Gal A. Kaminka, Yoav Goldberg,
• Abstract要約: Agentic Context Description Language (ACDL)は、コンテキストのアスペクトを指定するためのコンストラクトを提供する。 ACDLダイアグラムはホワイトボードで手書きしたり、形式言語で書かれて、描画することができる。 ツール、例、ドキュメントはwww.acdlang.orgで入手できる。
• 参考スコア（独自算出の注目度）: 24.406399255415113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models are increasingly used within larger systems ("LLM agents"). These make a sequence of LLM calls, each call providing the LLM with a combination of instructions, observations, and interaction history. The design of the encoded information and its structure play a central role in the quality of the resulting system, leading to efforts spent on context engineering. It is therefore critical to communicate the composition of the LLM context in a system, and how it evolves over time. Yet, no standard exists for doing so: context construction is typically conveyed through informal prose, ad hoc diagrams, or direct inspection of code, none of which precisely capture how a prompt evolves across interaction steps or how two context representation strategies differ. To remedy this, we introduce the Agentic Context Description Language (ACDL), a language for specifying the structure and dynamics of LLM input contexts in a precise, readable, and standard manner, along with visualizations. ACDL provides constructs for specifying context aspects such as role message sequences, dynamic content, time-indexed references, and conditional or iterative structure, capturing the full architecture of a prompt independently of any particular implementation. ACDL diagrams can be hand drawn on a whiteboard, or written in formal language which can then be rendered. We describe the language, demonstrate it by documenting several existing systems and their variants, and encourage the community to adopt it for describing LLM systems context, both in day-to-day communication and in papers. Tooling, examples and documentation are available at www.acdlang.org.
• Abstract（参考訳）: 大規模言語モデルはより大規模なシステム(LLMエージェント)で使われることも多い。 これらはLLMコールのシーケンスを生成し、各コールはLLMに命令、観察、相互作用履歴の組み合わせを提供する。 符号化された情報とその構造の設計は、結果のシステムの品質において中心的な役割を果たし、コンテキストエンジニアリングに費やされる努力に繋がる。 したがって、システム内のLLMコンテキストの構成と、それが時間とともにどのように進化するかを伝えることは重要である。 コンテキスト構成は、通常、非公式の散文、アドホックな図、コードを直接検査することで伝達される。 そこで本稿では,LLM入力コンテキストの構造とダイナミクスを,可視化とともに正確に読みやすく,かつ標準的な方法で記述する言語であるAgentic Context Description Language (ACDL)を紹介する。 ACDLは、ロールメッセージシーケンス、動的コンテンツ、タイムインデックス付き参照、条件付きまたは反復的な構造といったコンテキストのアスペクトを指定するためのコンストラクトを提供し、特定の実装とは無関係にプロンプトの完全なアーキテクチャをキャプチャする。 ACDLダイアグラムはホワイトボードで手書きしたり、形式言語で書かれて、描画することができる。 言語を記述し、いくつかの既存システムとその変種を文書化することによってそれを実証し、日々のコミュニケーションと論文の両方においてLLMシステムコンテキストを記述するためにコミュニティに導入するよう促す。 ツール、例、ドキュメントはwww.acdlang.orgで入手できる。

関連論文リスト

• Provable Coordination for LLM Agents via Message Sequence Charts [0.0]
  メッセージシーケンスチャート(MSC)に基づくエージェント協調を指定するためのドメイン固有言語を提案する。 言語の構文と意味を定義し,グローバルな協調仕様からデッドロックフリーなローカルエージェントプログラムを生成する構文指向プロジェクションを提案する。 私たちのフレームワークのオープンソースPython実装は、ZipperGenとして利用可能です。
  論文  参考訳（メタデータ） (2026-04-19T20:54:30Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• Context-Alignment: Activating and Enhancing LLM Capabilities in Time Series [3.453940014682793]
  本研究では,Large Language Models (LLMs) に習熟した言語環境において,時系列(TS)データを言語成分と整合させるコンテキストアライメントを提案する。 このようなコンテキストレベルのアライメントは、DSCA-GNN(Dual-Scale Context-Alignment GNN)によって達成される構造的アライメントと論理的アライメントを含む。 大規模な実験は、特に少数ショットおよびゼロショット予測において、DeCAの有効性とタスク間のコンテキストアライメントの重要性を示している。
  論文  参考訳（メタデータ） (2025-01-07T12:40:35Z)
• Large Language Models are Good Multi-lingual Learners : When LLMs Meet Cross-lingual Prompts [5.520335305387487]
  本稿では,MLプロンプトという新しいプロンプト戦略を提案する。 MLPromptは、LLMが他の言語に追従するのに苦労するエラーを起こしやすいルールを翻訳する。 本稿では,MLPromptを構造化データ生成の自動チェック機構に統合するフレームワークと,テキストからMIPインスタンスへの特定のケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-09-17T10:33:27Z)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)
• Towards More Unified In-context Visual Understanding [74.55332581979292]
  マルチモーダル出力を有効にした視覚理解のための新しいICLフレームワークを提案する。 まず、テキストと視覚的プロンプトの両方を量子化し、統一された表現空間に埋め込む。 次にデコーダのみのスパーストランスアーキテクチャを用いて生成モデリングを行う。
  論文  参考訳（メタデータ） (2023-12-05T06:02:21Z)
• Fine-tuning Multimodal LLMs to Follow Zero-shot Demonstrative Instructions [126.3136109870403]
  汎用的で軽量なVisual Prompt Generator Complete Module (VPG-C)を導入する。 VPG-Cは、実証的な指示を解釈するために欠落した詳細を推測し、完成する。 私たちは、実証的な命令理解のための包括的なベンチマークであるDEMONを構築します。
  論文  参考訳（メタデータ） (2023-08-08T09:32:43Z)

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。