論文の概要: Beyond Semantic Organization: Memory as Execution State Management for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2606.06090v1
• Date: Thu, 04 Jun 2026 12:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.785866
• Title: Beyond Semantic Organization: Memory as Execution State Management for Long-Horizon Agents
• Title（参考訳）: セマンティック組織を超えて - 長期エージェントの実行状態管理としての記憶
• Authors: Yaoqi Chen, Haibin Lai, Yuru Feng, Chuyu Han, Qianxi Zhang, Baotong Lu, Menghao Li, Xinjiang Wang, Zhirui Wang, Shusen Xu, Zengzhong Li, Zewen Jin, Hao Wu, Cheng Li, Qi Chen,
• Abstract要約: LLMベースのエージェントは、相互依存的な決定によって、ますます長い水平タスクに取り組む。 既存のRAGとエージェントメモリシステムは、意味的類似性によって履歴を整理し、決定時にコンテンツ関連エントリを取得する。 MAGE(Memory as Agent-Guided Exploration)は,階層的な状態木にインタラクションを格納するアクティブな実行状態マネージャである。
• 参考スコア（独自算出の注目度）: 18.30583250316923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based agents increasingly tackle long-horizon tasks with interdependent decisions, where each action reshapes future constraints and intermediate errors can cascade. Existing RAG and agent memory systems organize histories by semantic similarity, retrieving content-relevant entries at decision time. We argue that this design mismatches execution-state dependencies: it fragments decision trajectories and mixes valid and erroneous traces, hindering coherent state reconstruction and error isolation. We propose MAGE (Memory as Agent-Guided Exploration), an active execution-state manager that stores interactions in a hierarchical state tree. The agent derives its state from the active root-to-current path, combining subgoal summaries, recent traces, and hints from prior branches. Four coupled operations maintain the tree: Grow records new traces, Compress summarizes completed subgoals, Maintain validates summaries, and Revise restores a target boundary and resumes on a new branch. This design bounds context growth while preserving state integrity and isolating flawed segments from the active path. Experiments on MemoryArena show that MAGE improves the average task success rate by 7.8--20.4 pp over baselines, while reducing token consumption by 55.1%.
• Abstract（参考訳）: LLMベースのエージェントは、各アクションが将来の制約や中間エラーをカスケードできるような、相互依存的な決定によって、長い水平タスクに対処する傾向にある。 既存のRAGとエージェントメモリシステムは、意味的類似性によって履歴を整理し、決定時にコンテンツ関連エントリを取得する。 決定の軌跡を断片化し、有効なトレースと誤ったトレースを混在させ、一貫性のある状態再構築とエラー分離を妨げます。 MAGE(Memory as Agent-Guided Exploration)は,階層的な状態木にインタラクションを格納するアクティブな実行状態マネージャである。 エージェントは、その状態がアクティブなルート対電流経路から派生し、サブゴールサマリー、最近のトレース、および前のブランチからのヒントを結合する。 新しいトレースを記録し、Compressは完成したサブゴールを要約し、サマリーを保守し、Reviseはターゲット境界を復元し、新しいブランチで再開する。 この設計は、状態整合性を維持しながらコンテキスト成長を境界とし、欠陥のあるセグメントをアクティブパスから分離する。 MemoryArenaの実験によると、MAGEは平均タスク成功率を7.8-20.4ppで改善し、トークン消費を55.1%削減している。

関連論文リスト

• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• CoMIC: Collaborative Memory and Insights Circulation for Long-Horizon LLM Agents in Cloud-Edge Systems [23.892901534769067]
  エッジサーバ上の軽量大規模言語モデル(LLM)エージェントは、レイテンシを低減し、エージェントサービスをユーザに近づける。 デプロイ後の微調整エッジモデルはコストが高く、異種ノードをまたいでスケールすることが難しい。 我々は,コラボレーティブメモリと循環インサイトのためのパラメータ更新不要なクラウドエッジフレームワークであるtextscCoMICを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:45:39Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
  Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。 長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。 我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
  論文  参考訳（メタデータ） (2026-04-18T17:59:15Z)
• Arbor: A Framework for Reliable Navigation of Critical Conversation Flows [0.19573380763700712]
  本稿では,決定木ナビゲーションを専門的なノードレベルのタスクに分解するフレームワークであるArborを紹介する。 Abortは平均ターン精度を29.4ポイント改善し、ターン毎のレイテンシを57.1%削減し、ターン毎のコストを平均14.4倍削減する。
  論文  参考訳（メタデータ） (2026-02-16T11:09:02Z)
• Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation [22.803751188961865]
  検索は類似性マッチングを超えて移動し、代わりに潜在コンポーネントを操作するべきだと我々は主張する。 我々は、無傷ユニットの階層を構築し、検索可能な高レベルノード組織を維持するxMemoryを提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:04:58Z)
• 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)
• ReAcTree: Hierarchical LLM Agent Trees with Control Flow for Long-Horizon Task Planning [6.600538353483611]
  本稿では,複雑な目標を動的に構築されたエージェントツリー内のより管理可能なサブゴールに分解する階層的タスクプランニング手法を提案する。 ReAcTreeは、さまざまな大きな言語モデルでReActのような強力なタスク計画ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-04T09:55:40Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:50Z)

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。