論文の概要: The Log is the Agent: Event-Sourced Reactive Graphs for Auditable, Forkable Agentic Systems

• arxiv url: http://arxiv.org/abs/2605.21997v1
• Date: Thu, 21 May 2026 04:55:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.520871
• Title: The Log is the Agent: Event-Sourced Reactive Graphs for Auditable, Forkable Agentic Systems
• Title（参考訳）: ログはエージェント: 監査可能な、フォーク可能なエージェントシステムのためのイベントソースのリアクティブグラフ
• Authors: Yohei Nakajima,
• Abstract要約: 典型的なエージェントフレームワークを反転させるランタイムであるActiveGraphについて説明する。 追加のみのイベントログが真実の源であり、ワーキンググラフはそのログの決定論的プロジェクションである。 コンポーネントが他のコンポーネントに指示することはありません。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most agent frameworks are built around the language model: a conversation loop comes first, then tools, then rules, and finally a logging layer bolted on for observability, with state persisted as retrievable "memory." We describe ActiveGraph, a runtime that inverts this arrangement. The append-only event log is the source of truth; the working graph is a deterministic projection of that log; and behaviors--ordinary functions, classes, LLM-backed routines, or logic attached to typed edges--react to changes in the graph and emit new events. No component instructs another; coordination happens entirely through the shared graph. This single design decision yields three properties that retrieval-and-summarization memory systems do not provide: deterministic replay of any run from its log, cheap forking that branches a run at any event without re-executing the shared prefix, and end-to-end lineage from a high-level goal down to the individual model call that produced each artifact. We present the architecture, a determinism contract that makes replay sound, and a worked diligence example whose full causal structure is reconstructable from the log alone. We discuss--without claiming to demonstrate--why this substrate is unusually well suited to self-improving agents, and how it extends the BabyAGI lineage and prior graph-memory research.
• Abstract（参考訳）: たいていのエージェントフレームワークは、言語モデルを中心に構築されている。まず会話ループが来て、次にツール、次にルールが作られ、最後に可観測性のためにボルト付けされたロギング層が、状態は検索可能な"メモリ"として永続化される。 この配置を反転させるランタイムであるActiveGraphについて説明する。 動作グラフは、そのログの決定論的プロジェクションであり、振る舞い-通常関数、クラス、LLM支援ルーチン、あるいは型付きエッジにアタッチされたロジック-グラフの変更に反応して新しいイベントを発行する。 コンポーネントが他のコンポーネントに指示することはありません。 この単一の設計決定は、検索と要約のメモリシステムが提供しない3つの特性をもたらす: ログからの実行の決定論的リプレイ、共有プレフィックスを再実行せずに任意のイベントで実行を分岐する安価なフォーク、高レベルのゴールから各アーティファクトを生成する個々のモデル呼び出しまで、エンドツーエンドの系統。 本稿では、このアーキテクチャ、リプレイ音を発生させる決定論的契約と、丸太のみから完全な因果構造を再構築可能な作業ディリジェンス例を示す。 我々は、なぜこの基質が自己改善剤に非常に適しているのか、また、どのようにBabyAGIの系統と以前のグラフメモリ研究を拡張しているのかを論じる。

関連論文リスト

• GraphReAct: Reasoning and Acting for Multi-step Graph Inference [49.26607058250454]
  GraphReActは、グラフ構造化データに対するステップバイステップの推論を可能にするグラフ推論実行フレームワークである。 検索と精細化の両方で推論をインターリーブすることで、我々のフレームワークは文脈拡張から圧縮への進歩的な移行を可能にします。
  論文  参考訳（メタデータ） (2026-05-08T07:09:42Z)
• 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)
• Debugging Tabular Log as Dynamic Graphs [24.529035679332605]
  Tabular logは現実世界のシステムでオブジェクトやイベントを抽象化し、更新を報告してシステムの変更を反映する。 本稿では,動的グラフに基づいてグラフログをデバッグする新しいフレームワークであるGraphLog Debuggerを提案する。
  論文  参考訳（メタデータ） (2025-12-28T12:23:41Z)
• GraphCogent: Mitigating LLMs' Working Memory Constraints via Multi-Agent Collaboration in Complex Graph Understanding [13.356521655409422]
  大規模言語モデル(LLM)は、小規模なグラフ推論タスクでは有望な性能を示すが、複雑なクエリで現実のグラフを扱うと失敗する。 グラフ推論を特殊な認知プロセス(センス、バッファ、実行)に分解する協調エージェントフレームワークであるGraphCogentを提案する。
  論文  参考訳（メタデータ） (2025-08-17T14:28:38Z)
• You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures [16.867592142212203]
  大型言語モデル(LLM)はしばしば幻覚に悩まされ、知識を超えた質問を処理する際に、事実的に誤った文を生成する。 Retrieval-augmented Generation (RAG)は、LLM推論をサポートするために、知識ベースからクエリ関連コンテキストを取得することで、この問題に対処する。 既存のGraphベースのRAGメソッドは、コーパスをグラフに変換するためのコストの高いプロセスに依存しており、圧倒的なトークンコストとアップデートのレイテンシを導入している。 本稿では,推論時に推論構造を動的に抽出し,事前に構築したグラフを使わずに適応検索を誘導するLogicRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:07:40Z)
• GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval [3.792463570467098]
  GraphRunnerは、新しいグラフベースの検索フレームワークで、計画、検証、実行の3つの異なる段階で動作する。 推論エラーを著しく低減し、実行前に幻覚を検出する。 GRBenchデータセットによる評価は、GraphRunnerが既存のアプローチを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-07-11T18:10:01Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• Schema-Guided Scene-Graph Reasoning based on Multi-Agent Large Language Model System [5.37125692728042]
  マルチエージェント大規模言語モデル(LLM)に基づく反復ガイド付シーングラフ推論フレームワークを提案する。 2つのモジュールが反復的に協調し、シーケンシャルな推論とグラフ情報への適応的な注意を可能にする。 我々のフレームワークは,従来のLCMベースのアプローチや,ベースラインの単一エージェント,ツールベースのReason-while-Retrieve戦略を超越した数値Q&Aと計画タスクを実現している。
  論文  参考訳（メタデータ） (2025-02-05T18:50:38Z)
• GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
  GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。 システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
  論文  参考訳（メタデータ） (2023-09-12T04:21:30Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。