論文の概要: PROJECTMEM: A Local-First, Event-Sourced Memory and Judgment Layer for AI Coding Agents
- arxiv url: http://arxiv.org/abs/2606.12329v1
- Date: Wed, 10 Jun 2026 17:02:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.5793
- Title: PROJECTMEM: A Local-First, Event-Sourced Memory and Judgment Layer for AI Coding Agents
- Title（参考訳）: PROJECTMEM:AIコーディングエージェントのためのローカルファースト、イベントソースメモリおよび判断層
- Authors: Ripon Chandra Malo, Tong Qiu,
- Abstract要約: 我々は、AIコーディングエージェントのためのオープンソースのローカルファーストメモリおよび判断層であるProjectmemを紹介する。
Projectmemは、型付きイベントの追加専用、プレーンテキストイベントログとして開発を記録する。
私たちはこれをMemory-as-Governance(メモリ・アズ・Governance: エージェントに応答するだけでなく、次のアクションに作用するメモリ)としてフレーム化します。
- 参考スコア（独自算出の注目度）: 0.4779196219827507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI coding assistants now support a growing share of software work, from quick scripts to production applications. Yet these agents remain largely stateless: each new session re-reads project files, re-derives prior decisions, and - most costly - may repeat debugging attempts that already failed. Reconstructing this context can consume an estimated 5,000-20,000 tokens per session; the bottleneck is often not model capability but missing project memory. We present projectmem, an open-source, local-first memory and judgment layer for AI coding agents. projectmem records development as an append-only, plain-text event log of typed events - issues, attempts, fixes, decisions, and notes - and deterministically projects that log into compact, AI-readable summaries served through the Model Context Protocol (MCP). Beyond storage, projectmem adds a deterministic pre-action gate that warns an agent before it repeats a previously failed fix or edits a known-fragile file. We frame this as Memory-as-Governance: memory that does not merely answer the agent but acts on its next action. The system runs fully offline with no telemetry; its immutable log also serves as a provenance trail for reproducible, auditable AI-assisted development. projectmem ships as a three-dependency Python package (14 MCP tools, 19 CLI commands, 37 automated tests) and is evaluated through a two-month self-study across 10 projects comprising 207 logged events. Source code: https://github.com/riponcm/projectmem.
- Abstract（参考訳）: AIコーディングアシスタントは、クイックスクリプトから本番アプリケーションまで、ソフトウェア作業のシェアが拡大している。
新しいセッションはプロジェクトファイルを読み直し、事前の判断を下し、そして - 最もコストがかかる - 既に失敗したデバッグの試みを繰り返すかもしれない。
このコンテキストを再構築することで、セッション毎に推定5000～20,000トークンを消費することができる。
我々は、AIコーディングエージェントのためのオープンソースのローカルファーストメモリおよび判断層であるProjectmemを紹介する。
Projectmemは、型付きイベント - 問題、試行、修正、決定、ノート - の追加のみのプレーンテキストイベントログとして開発を記録し、決定論的に、モデルコンテキストプロトコル(MCP)を通じて提供されるコンパクトでAI可読な要約にログインする。
ストレージ以外にも、Projectmemは決定論的事前アクションゲートを追加し、前に失敗した修正を繰り返す前にエージェントに警告する。
私たちはこれをMemory-as-Governance(メモリ・アズ・Governance: エージェントに応答するだけでなく、次のアクションに作用するメモリ)としてフレーム化します。
システムはテレメトリなしで完全にオフラインで動作し、不変ログは再現可能で監査可能なAI支援開発のための証明パスとしても機能する。
Projectmemは3つの依存性を持つPythonパッケージ(14のMPPツール、19のCLIコマンド、37の自動テスト)として出荷され、207のログイベントからなる10プロジェクトにわたる2ヶ月のセルフスタディを通じて評価される。
ソースコード:https://github.com/riponcm/projectmem.com
関連論文リスト
- The Log is the Agent: Event-Sourced Reactive Graphs for Auditable, Forkable Agentic Systems [0.0]
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。
論文 参考訳（メタデータ） (2026-05-21T04:55:38Z) - MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - PREPING: Building Agent Memory without Tasks [65.75870568959644]
Prepingはプロポーザル誘導型メモリ構築フレームワークである。
コアとなるのは、将来の実践を形作る構造化制御状態であるプロジェクタメモリである。
トライアルでは、Prepingはメモリなしの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） (2026-05-11T04:34:43Z) - Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。
4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
論文 参考訳（メタデータ） (2026-05-10T04:31:23Z) - ProgramBench: Can Language Models Rebuild Programs From Scratch? [59.40748183470308]
ProgramBenchは、ソフトウェアエンジニアリングエージェントがソフトウェアをホリシックに開発する能力を測定する。
エンドツーエンドの動作テストはエージェント駆動ファジィによって生成される。
モデルは、人間が書いたコードと大きく異なるモノリシックでシングルファイルの実装を好む。
論文 参考訳（メタデータ） (2026-05-05T09:17:02Z) - Feedback-Normalized Developer Memory for Reinforcement-Learning Coding Agents: A Safety-Gated MCP Architecture [0.0]
本稿では、RLコーディングエージェントのためのローカルファーストのモデルコンテキストプロトコル(MCP)ネイティブな開発者メモリアーキテクチャであるRL Developer Memoryについて述べる。
メモリ選択をログ化されたコンテキスト決定プロセスとして扱う。
システムは、RLアルゴリズムのバグ、ハードネガ、レビューゲートされたRL/コントロールケース、低リスク障害を含む決定論的200ケースのベンチマークで評価される。
論文 参考訳（メタデータ） (2026-05-02T18:37:36Z) - RECAP: An End-to-End Platform for Capturing, Replaying, and Analyzing AI-Assisted Programming Interactions [21.75814643077238]
ReCAP(Replay and Examine Captured AI Programming)は、開発者がワークフローを中断することなく、AIチャットセッションとVS Code内のきめ細かいコード編集を受動的に記録する、オープンソースのプラットフォームです。
我々は、このプラットフォームのリンクデータとリプレイ機能が、単一のデータソースがサポートできない開発者とAIのインタラクションパターンの分析を可能にする方法を実証する。
論文 参考訳（メタデータ） (2026-05-01T21:20:38Z) - RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies [54.23445842621374]
記憶は、長い水平と歴史に依存したロボット操作にとって重要である。
近年,視覚言語アクション(VLA)モデルにメモリ機構が組み込まれ始めている。
本稿では,VLAモデルの評価と進展のための大規模標準ベンチマークであるRoboMMEを紹介する。
論文 参考訳（メタデータ） (2026-03-04T21:59:32Z) - AgentSys: Secure and Dynamic LLM Agents Through Explicit Hierarchical Memory Management [47.49917373646469]
既存の防御は肥大した記憶を与えられたまま扱い、回復力を維持することに集中する。
我々は、明示的なメモリ管理を通じて間接的なインジェクションを防御するフレームワークであるAgentSysを紹介する。
論文 参考訳（メタデータ） (2026-02-07T06:28:51Z) - A-MemGuard: A Proactive Defense Framework for LLM-Based Agent Memory [31.673865459672285]
大規模言語モデル(LLM)エージェントは、過去のインタラクションから学習するためにメモリを使用する。
敵は、エージェントのメモリに一見無害なレコードを注入して、その将来の振る舞いを操作できる。
A-MemGuard は LLM エージェントメモリのための最初のプロアクティブな防御フレームワークである。
論文 参考訳（メタデータ） (2025-09-29T16:04:15Z)
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。