論文の概要: EXG: Self-Evolving Agents with Experience Graphs
- arxiv url: http://arxiv.org/abs/2605.17721v1
- Date: Mon, 18 May 2026 00:50:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:48.49912
- Title: EXG: Self-Evolving Agents with Experience Graphs
- Title（参考訳）: EXG: 経験グラフを備えた自己進化型エージェント
- Authors: Yuxin Jin, Siyuan Zhang, Hanchen Wang, Lu Qin, Ying Zhang, Wenjie Zhang,
- Abstract要約: 自己進化型エージェントのためのエクスペリエンスグラフフレームワークEXGを紹介する。
EXGは、蓄積された成功と失敗を構造化されたリレーショナル表現に明示的に整理する。
以上の結果から,グラフとしての構造化経験は,スケーラブルで移動可能な自己進化エージェント行動の基盤となることが示唆された。
- 参考スコア（独自算出の注目度）: 25.363377373092955
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Large language model (LLM)-based agents have demonstrated strong capabilities in complex reasoning and problem solving through multi-step interactions, yet most deployed agents remain behaviorally static, with knowledge acquired during execution rarely translating into systematic improvement over time. In response, a growing line of work on self-evolving agents explores how agents can improve through experience during deployment, but most existing approaches either rely on ad hoc reflection limited to single-task correction or adopt unstructured memory that accumulates fragmented experience with delayed usability. To address this limitation, we introduce EXG, an experience graph framework for self-evolving agents that explicitly organizes accumulated successes and failures into a structured, relational representation. EXG is the first experience graph designed for self-evolving agents, supporting both online, real-time graph growth during execution for immediate cross-task experience reuse, and offline reuse of a consolidated experience graph as an external memory module. This design also enables EXG to serve as a plug-and-play component for existing self-evolving agents, organizing prior experience into a unified experience graph and improving both solution quality and resource efficiency as deployment progresses. Extensive experiments across code generation and reasoning benchmarks show that EXG attains more favorable performance-efficiency trade-offs than reflection- and memory-based baselines in both online and offline evaluations. Our results suggest that structuring experience as a graph provides a principled foundation for scalable and transferable self-evolving agent behavior.
- Abstract（参考訳）: 大規模言語モデル(LLM)ベースのエージェントは、複雑な推論や多段階の相互作用による問題解決において強力な能力を示したが、ほとんどのエージェントは動作が静的であり、実行中に取得した知識は、時間とともに体系的な改善に変換されることはめったにない。
それに対して、セルフ進化エージェントの取り組みは、デプロイ中の経験を通じてエージェントがどのように改善できるかを探求する一方で、既存のアプローチのほとんどは、シングルタスクの修正に制限されたアドホックリフレクションに依存するか、あるいは遅延したユーザビリティで断片化されたエクスペリエンスを蓄積する非構造化メモリを採用するかのいずれかである。
この制限に対処するために,蓄積した成功と失敗を構造化されたリレーショナル表現に明示的に整理する,自己進化型エージェントのためのエクスペリエンスグラフフレームワークであるEXGを紹介する。
EXGは、セルフ進化エージェント用に設計された最初のエクスペリエンスグラフであり、即時クロスタスクエクスペリエンスの再利用のための実行中のオンラインおよびリアルタイムグラフの成長と、外部メモリモジュールとしての統合エクスペリエンスグラフのオフライン再利用をサポートする。
この設計により、EXGは既存のセルフ進化エージェントのプラグイン・アンド・プレイコンポーネントとして機能し、事前の経験を統一されたエクスペリエンスグラフにまとめ、デプロイメントが進むにつれてソリューションの品質とリソース効率の両方を改善することができる。
コード生成と推論ベンチマークにわたる大規模な実験により、EXGはオンラインとオフラインの両方の評価において、リフレクションとメモリベースのベースラインよりも、より優れたパフォーマンス-効率トレードオフを実現していることが示された。
以上の結果から,グラフとしての構造化経験は,スケーラブルで移動可能な自己進化エージェント行動の基盤となることが示唆された。
関連論文リスト
- Rethinking Experience Utilization in Self-Evolving Language Model Agents [51.10420305280499]
自己進化剤は過去の相互作用から経験を蓄積し再利用することで改善する。
本稿では,自己進化型エージェントの重要設計次元としての利用経験について考察する。
論文 参考訳（メタデータ） (2026-05-08T02:48:49Z) - SEARL: Joint Optimization of Policy and Tool Graph Memory for Self-Evolving Agents [35.45207852488779]
本稿では,ツールメモリをベースとした自己進化型エージェントフレームワークSEARLを紹介する。
インタラクションエクスペリエンスを直接利用するアプローチとは異なり,本手法では,計画と実行を統合する構造化されたエクスペリエンスメモリを構築している。
我々は,知識推論と数学タスクの枠組みを評価し,より実践的で効率的な学習を実現する上での有効性を実証した。
論文 参考訳（メタデータ） (2026-04-09T04:38:47Z) - RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。
実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
論文 参考訳（メタデータ） (2026-03-09T16:23:33Z) - Yunjue Agent Tech Report: A Fully Reproducible, Zero-Start In-Situ Self-Evolving Agent System for Open-Ended Tasks [10.622439192272527]
従来のエージェントシステムは、タスク分布が継続的にドリフトし、外部の監視が不十分な、オープンな環境に苦しむ。
In-Situ Self-Evolving(In-Situ Self-Evolving)パラダイムを提案する。
このフレームワーク内では、新しい課題をナビゲートするためのツールを反復的に合成、最適化、再利用するシステムであるYunjue Agentを開発します。
論文 参考訳（メタデータ） (2026-01-26T07:27:47Z) - AgentEvolver: Towards Efficient Self-Evolving Agent System [51.54882384204726]
本稿では,自律型エージェント学習を駆動する自己進化型エージェントシステムであるAgentEvolverを紹介する。
AgentEvolverは、セルフクエスト、セルフナビゲート、セルフコントリビューションという3つのシナジスティックメカニズムを導入している。
予備実験により、AgentEvolverは従来のRLベースのベースラインと比較して、より効率的な探索、より優れたサンプル利用、より高速な適応を実現していることが示された。
論文 参考訳（メタデータ） (2025-11-13T15:14:47Z) - Self-Abstraction from Grounded Experience for Plan-Guided Policy Refinement [61.35824395228412]
大規模言語モデル(LLM)ベースのエージェントは、ソフトウェア工学のタスクに取り組むためにますます使われています。
エージェントが自身のタスク実行から学習することを可能にするフレームワークであるSAGE(Self-Abstraction from Grounded Experience)を提案する。
論文 参考訳（メタデータ） (2025-11-08T08:49:38Z) - EvolveR: Self-Evolving LLM Agents through an Experience-Driven Lifecycle [26.048906477714937]
現在のLLM(Large Language Model)エージェントは、ツール使用時のパフォーマンスは高いが、自身の経験から体系的に学習する能力は欠如している。
EvolveRは、エージェントが完全なクローズドループ体験ライフサイクルを通じて自己改善できるように設計されたフレームワークである。
複雑なマルチホップ質問応答ベンチマークにおけるEvolveRの有効性を示す。
論文 参考訳（メタデータ） (2025-10-17T12:03:16Z) - UI-Evol: Automatic Knowledge Evolving for Computer Use Agents [23.21178608410048]
自律的なGUI知識進化のためのプラグイン・アンド・プレイモジュールであるUI-Evolを提案する。
UI-Evolは、実際のエージェントと環境の相互作用から忠実な客観的なアクションシーケンスを抽出するRetrace Stageと、既存の知識を洗練させるCritique Stageの2つのステージで構成されている。
この結果から,UI-Evolはタスク性能を著しく向上させるだけでなく,コンピュータ利用エージェントの行動標準偏差がこれまで見過ごされていた問題にも対処できることがわかった。
論文 参考訳（メタデータ） (2025-05-28T04:32:05Z)
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。