論文の概要: From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms

• arxiv url: http://arxiv.org/abs/2605.06716v1
• Date: Thu, 07 May 2026 03:38:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.483986
• Title: From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms
• Title（参考訳）: ストレージから経験へ: LLMエージェント記憶機構の進化に関する調査
• Authors: Jinghao Luo, Yuchen Tian, Chuxue Cao, Ziyang Luo, Hongzhan Lin, Kaixin Li, Chuyi Kong, Ruichao Yang, Jing Ma,
• Abstract要約: LLM(Large Language Model)ベースのエージェントは、外部ツールと計画機能を統合することによって、人工知能を根本的に再構築した。 本研究は, LLMエージェント記憶機構の新たな進化的枠組みを提案し, 開発プロセスを3段階に定式化する。 まず、この進化の3つの中心的要因である長距離一貫性の必要性、動的環境における課題、継続的な学習の最終的な目標を解析する前に、これらの3つの段階を正式に定義する。
• 参考スコア（独自算出の注目度）: 22.25563521397167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM)-based agents have fundamentally reshaped artificial intelligence by integrating external tools and planning capabilities. While memory mechanisms have emerged as the architectural cornerstone of these systems, current research remains fragmented, oscillating between operating system engineering and cognitive science. This theoretical divide prevents a unified view of technological synthesis and a coherent evolutionary perspective. To bridge this gap, this survey proposes a novel evolutionary framework for LLM agent memory mechanisms, formalizing the development process into three stages: Storage (trajectory preservation), Reflection (trajectory refinement), and Experience (trajectory abstraction). We first formally define these three stages before analyzing the three core drivers of this evolution: the necessity for long-range consistency, the challenges in dynamic environments, and the ultimate goal of continual learning. Furthermore, we specifically explore two transformative mechanisms in the frontier Experience stage: proactive exploration and cross-trajectory abstraction. By synthesizing these disparate views, this work offers robust design principles and a clear roadmap for the development of next-generation LLM agents.
• Abstract（参考訳）: LLM(Large Language Model)ベースのエージェントは、外部ツールと計画機能を統合することによって、人工知能を根本的に再構築した。 メモリ機構がこれらのシステムのアーキテクチャ基盤として登場したが、現在の研究は断片化され、オペレーティングシステム工学と認知科学の間で振動している。 この理論分割は、技術的合成と一貫性のある進化的視点の統一的な見方を妨げている。 このギャップを埋めるために,本研究では, LLMエージェント記憶機構の新たな進化的枠組みを提案し, 開発プロセスを, 保存(軌道保存), 反射(軌道再構成), 経験(軌道抽象)の3段階に形式化する。 まず、この進化の3つの中心的要因である長距離一貫性の必要性、動的環境における課題、継続的な学習の最終的な目標を解析する前に、これらの3つの段階を正式に定義する。 さらに,フロンティア体験の段階において,積極的探索とクロストラジェクトリ抽象化という2つの変換機構を特に探求する。 これらの異なる視点を合成することにより、この研究は、堅牢な設計原則と次世代LLMエージェントの開発のための明確なロードマップを提供する。

関連論文リスト

• 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)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• 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)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)

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。