論文の概要: Goal-Oriented Reasoning for RAG-based Memory in Conversational Agentic LLM Systems
- arxiv url: http://arxiv.org/abs/2605.12213v1
- Date: Tue, 12 May 2026 14:51:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.939004
- Title: Goal-Oriented Reasoning for RAG-based Memory in Conversational Agentic LLM Systems
- Title（参考訳）: 対話型エージェントLLMシステムにおけるRAGメモリのゴール指向推論
- Authors: Jiazhou Liang, Armin Toroghi, Yifan Simon Liu, Faeze Moradi Kalarde, Liam Gallagher, Scott Sanner,
- Abstract要約: Goal-Memは、RAGベースのエージェントメモリのためのゴール指向の推論フレームワークである。
Goal-Memはマルチホップ推論と暗黙推論を必要とするタスクのパフォーマンスを一貫して改善する。
- 参考スコア（独自算出の注目度）: 20.461904943047468
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based conversational AI agents struggle to maintain coherent behavior over long horizons due to limited context. While RAG-based approaches are increasingly adopted to overcome this limitation by storing interactions in external memory modules and performing retrieval from them, their effectiveness in answering challenging questions (e.g., multi-hop, commonsense) ultimately depends on the agent's ability to reason over the retrieved information. However, existing methods typically retrieve memory based on semantic similarity to the raw user utterance, which lacks explicit reasoning about missing intermediate facts and often returns evidence that is irrelevant or insufficient for grounded reasoning. In this work, we introduce Goal-Mem, a goal-oriented reasoning framework for RAG-based agentic memory that performs explicit backward chaining from the user's utterance as a goal. Rather than progressively expanding from retrieved context, Goal-Mem decomposes each goal into atomic subgoals, performs targeted memory retrieval to satisfy each subgoal, and iteratively identifies what information from memory should be retrieved when intermediate goals cannot be resolved. We formalize this process in Natural Language Logic, a logical system that combines the verifiability of reasoning provided by FOL with the expressivity of natural language. Through extensive experiments on two datasets and comparing to nine strong memory baselines, we show that Goal-Mem consistently improves performance, particularly on tasks requiring multi-hop reasoning and implicit inference.
- Abstract（参考訳）: LLMベースの会話型AIエージェントは、限られたコンテキストのため、長い地平線上でのコヒーレントな動作を維持するのに苦労する。
RAGベースのアプローチは、外部メモリモジュールにインタラクションを格納し、それらから検索することで、この制限を克服するために、ますます採用されている。
しかし、既存の手法は、通常、生のユーザ発話と意味的類似性に基づいてメモリを検索するが、それは、欠落した中間事実についての明確な推論が欠如しており、しばしば根拠付き推論には無関係または不十分な証拠を返却する。
本稿では,RAGベースのエージェントメモリのための目標指向推論フレームワークであるGoal-Memを紹介する。
Goal-Memは、検索されたコンテキストから徐々に拡張するのではなく、それぞれのゴールをアトミックサブゴールに分解し、各サブゴールを満たすためにターゲットメモリ検索を行い、中間ゴールが解決できないときにメモリからどの情報を取得するべきかを反復的に識別する。
このプロセスは、FOLが提供する推論の妥当性と自然言語の表現性を組み合わせた論理システムである自然言語論理で定式化される。
2つのデータセットに関する広範な実験と、9つの強いメモリベースラインとの比較により、Goal-Memは、特にマルチホップ推論と暗黙の推論を必要とするタスクにおいて、一貫してパフォーマンスを改善していることを示す。
関連論文リスト
- MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。
MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
論文 参考訳（メタデータ） (2026-04-19T05:35:06Z) - 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) - ActMem: Bridging the Gap Between Memory Retrieval and Reasoning in LLM Agents [14.695250837875454]
本稿では,ActMemと呼ばれる新しい動作可能なメモリフレームワークを提案する。
ActMemは非構造化対話履歴を構造化因果グラフと意味グラフに変換する。
エージェントは暗黙の制約を推論し、過去の状態と現在の意図の間の潜在的な衝突を解決することができる。
論文 参考訳（メタデータ） (2026-02-04T00:54:53Z) - 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) - Grounding Agent Memory in Contextual Intent [22.299598216046103]
STITCHは、各トラジェクトリステップに構造化された検索キュー、コンテキスト意図をインデックスし、現在のステップの意図にマッチして履歴を検索するメモリシステムである。
CAME-Benchは,現実的,動的,目標指向の軌道における文脈認識検索のベンチマークである。
分析の結果,意図インデクシングは検索ノイズを大幅に低減し,頑健なロングホライゾン推論のためのインテント・アウェア・メモリをサポートした。
論文 参考訳（メタデータ） (2026-01-15T18:55:13Z) - 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) - CogMem: A Cognitive Memory Architecture for Sustained Multi-Turn Reasoning in Large Language Models [21.427373172124167]
大規模言語モデル(LLM)はシングルターン推論では優れているが、拡張されたマルチターン相互作用よりも精度とコヒーレンスを失うことが多い。
メモリ拡張型LLMアーキテクチャであるCogMemを導入する。
TurnBenchの実験では、この階層化された設計は推論の失敗を軽減し、コンテキストの成長を制御し、拡張された推論チェーン間の一貫性を改善する。
論文 参考訳（メタデータ） (2025-12-16T06:01:08Z) - Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。
10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
論文 参考訳（メタデータ） (2025-11-25T21:08:07Z) - Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。
以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
論文 参考訳（メタデータ） (2025-10-27T18:03:50Z) - Hierarchical Memory for High-Efficiency Long-Term Reasoning in LLM Agents [19.04968632268433]
大規模言語モデルエージェント(LLMエージェント)のための階層型メモリアーキテクチャを提案する。
各メモリベクトルは、次の層のセマンティック関連サブメモリを指し示す位置インデックスが埋め込まれている。
推論フェーズにおいて、インデックスベースのルーティング機構は、網羅的な類似性計算を行うことなく、効率的な層間検索を可能にする。
論文 参考訳（メタデータ） (2025-07-23T12:45:44Z)
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。