論文の概要: Indexing the Unreadable: LLM-Native Recursive Construction and Search of Service Taxonomies

• arxiv url: http://arxiv.org/abs/2605.29270v1
• Date: Thu, 28 May 2026 02:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 05:02:24.559183
• Title: Indexing the Unreadable: LLM-Native Recursive Construction and Search of Service Taxonomies
• Title（参考訳）: 読めない索引付け: LLM-Native Recursive Construction and Search of Service Taxonomies
• Authors: Wei Zheng, Yang Yan, Yiyang Shao, Jinyang Li, Zeze Chang, Yukuang Jia, Qiming Mao, Chihyung Wang, Jingbin Zhou,
• Abstract要約: 本稿では,A2X(Agent-to-Anything Service Discovery)を提案する。 A2Xは登録されたサービスを階層的な分類に自動的に整理し、クエリ時に層ごとに階層的に保存する。 フルコンテキストダンピングと比較すると、A2Xはプロンプトトーケンコストの9分の1で6.2ポイントのヒット率を達成している。
• 参考スコア（独自算出の注目度）: 5.010189948329798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The era of the Internet of Agents (IoA) is taking shape: LLM agents are expected to fulfill user goals by orchestrating fast-growing populations of Model Context Protocol (MCP) servers, Agent-to-Agent (A2A) endpoints, reusable skills, and other LLM-callable services. Yet LLMs face a structural mismatch with this regime: effective context is a scarce resource that does not scale with the number of services. Concatenating thousands of service descriptions into a prompt overflows the context window, and even when the window is large enough, models systematically under-attend to information in the middle of long inputs, the well-documented Lost-in-the-Middle phenomenon. This is fundamentally a question of context management for service discovery. To address this, we propose an LLM-native progressive-disclosure scheme and its concrete instantiation, A2X (Agent-to-Anything service discovery): an LLM-driven pipeline that automatically organizes the registered services into a hierarchical taxonomy and walks it layer by layer at query time, so that every LLM call sees only a small candidate set highly relevant to the user query. This decouples effective-context scarcity from registry size and significantly reduces token consumption while improving retrieval accuracy. Compared to full-context dumping, A2X achieves a 6.2-point Hit Rate gain at one-ninth the prompt-token cost; compared to the state-of-the-art open-source embedding-based baseline, A2X improves Hit Rate by more than 20 points.
• Abstract（参考訳）: LLMエージェントは、モデルコンテキストプロトコル(MCP)サーバ、エージェント・ツー・エージェント(A2A)エンドポイント、再利用可能なスキル、その他のLLMコール可能なサービスの急速な増加によって、ユーザ目標を達成することが期待されている。 しかし、LLMは、この体制と構造的なミスマッチに直面します。 何千ものサービス記述をプロンプトにまとめると、コンテキストウィンドウがオーバーフローし、ウィンドウが十分に大きい場合でも、長い入力の途中で情報に体系的に従わないモデル、ドキュメント化されたLost-in-the-Middle現象が発生します。 これは基本的に、サービスディスカバリのコンテキスト管理の問題です。 そこで本研究では,LLMネイティブなプログレッシブ・ディスポージャー方式と,その具体的インスタンス化であるA2X(Agent-to-Anything Service Discovery)を提案する。 これにより、有効コンテキスト不足をレジストリサイズから切り離し、認証精度を向上しながらトークン消費を著しく削減する。 フルコンテキストのダンピングと比較すると、A2Xはプロンプトトーケンコストの9分の1で6.2ポイントのヒット率を達成しており、最先端のオープンソース埋め込みベースのベースラインと比較して、A2Xはヒット率を20ポイント以上改善している。

関連論文リスト

• Constrained Network Slice Assignment via Large Language Models [0.0]
  ネットワークスライシングのための無線リソース割り当てにLarge Language Models (LLMs) を用いる方法について検討する。 ゼロショットプロンプトであっても、LLMはスライス代入の合理的な第1ドラフトを生成することができることを示す。 次に、LLMのサービス要求に対する理解を最適化解決器に組み込んで、改善されたアロケーションを生成する。
  論文  参考訳（メタデータ） (2025-11-14T07:47:42Z)
• URaG: Unified Retrieval and Generation in Multimodal LLMs for Efficient Long Document Understanding [55.45331924836242]
  MLLM内での検索と生成を統一するフレームワークであるURaGについて述べる。 URaGは,計算オーバーヘッドを44～56%削減し,最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-11-13T17:54:09Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• DocETL: Agentic Query Rewriting and Evaluation for Complex Document Processing [10.712756715779822]
  大規模言語モデル(LLM)は、データ処理において有望であることを示している。 これらのフレームワークは、ユーザが指定した操作を実行する際のコスト削減に重点を置いている。 これは複雑なタスクやデータに問題があります。 本稿では,複雑な文書処理パイプラインを最適化するDocETLを提案する。
  論文  参考訳（メタデータ） (2024-10-16T03:22:35Z)
• Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding [61.45448947483328]
  LLMベースのレコメンダシステム(LASER)の投機的復号化によるロスレス高速化について紹介する。 LASERは、検索効率を高めるためのカスタマイズされた検索プールと、ドラフトトークンの受け入れ率を改善するための緩和検証を備えている。 LASERは公開データセットの3～5倍のスピードアップを実現し、オンラインA/Bテスト中に約67%の計算リソースを節約する。
  論文  参考訳（メタデータ） (2024-08-11T02:31:13Z)
• Cache me if you Can: an Online Cost-aware Teacher-Student framework to Reduce the Calls to Large Language Models [13.799197575126442]
  中小企業(中小企業)は、大規模なタスク固有のトレーニングデータセットを作成する費用を支払うことができない。 大規模言語モデルをプロンプトできるサードパーティサービスは、現在、通話1回あたりの支払いを必要としている。 本稿では,従来の応答をキャッシュし,ローカルな安価なモデルをトレーニングすることで,LCMへの呼び出しを削減できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-20T10:05:07Z)

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。