論文の概要: GitOfThoughts: Version-Controlled Reasoning and Agent Memory You Can Replay, Diff, and Merge
- arxiv url: http://arxiv.org/abs/2606.14470v1
- Date: Fri, 12 Jun 2026 14:02:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.92307
- Title: GitOfThoughts: Version-Controlled Reasoning and Agent Memory You Can Replay, Diff, and Merge
- Title（参考訳）: GitOfThoughts: バージョン管理型推論とエージェントメモリをリプレイ,ディフ,マージ
- Authors: Pavan C Shekar, Abhishek H S, Aswanth Krishnan,
- Abstract要約: エージェントの推論ツリーをgitリポジトリとして格納するGitOfThoughtsを紹介します。
評価されたすべての思考はコミットであり、スコアはノートであり、結果はタグであり、検索はエージェント自身の履歴に対して"git log"である。
これにより、ほぼゼロのエンジニアリングコストで、推論が再生可能で、監査可能で、エージェント間でマージ可能になります。
- 参考スコア（独自算出の注目度）: 0.02066679446411895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) reasoning is ephemeral: chains of thought vanish with the context window, pruned search branches leave no record, and memory buffers cannot be diffed, merged, or audited. Every other complex software process (code, infrastructure, data, experiments) is version-controlled; reasoning is not. We introduce GitOfThoughts, which stores an agent's reasoning tree as a git repository: every scored thought is a commit, scores are notes, outcomes are tags, and retrieval is "git log" over the agent's own history. This makes reasoning replayable, auditable, and mergeable across agents at near-zero engineering cost. We then ask the harder question: does memory, in any substrate, actually improve accuracy? Across five substrates (none, markdown, vector, graph, git), two benchmarks, two model scales, and pre-registered replications, the answer for novel problems is no. No memory format reliably helps, and a promising early result collapsed under its own pre-registered replication. Memory pays only above what we call the copyability threshold: when the retrieved case is a near-duplicate of the current problem (similarity >~ 0.8), accuracy jumps sharply; below it, nothing. The gain is answer retrieval, not method transfer: a 4.5x larger model doubles the near-duplicate payoff yet still cannot extract a transferable method from a worked example. The only general lever we find is test-time sampling. The case for git-as-substrate is therefore auditability, provenance, and mergeability at accuracy parity. We document a retracted result and a refuted hypothesis to model the evaluation standard we hold ourselves to.
- Abstract（参考訳）: 大きな言語モデル(LLM)推論は短命である: 思考の連鎖はコンテキストウィンドウで消滅し、刈り取られた検索ブランチはレコードを残しず、メモリバッファは拡散、マージ、監査できない。
他の複雑なソフトウェアプロセス(コード、インフラストラクチャ、データ、実験)はすべてバージョン管理されている。
ここでは、エージェントの推論ツリーをgitリポジトリとして格納するGitOfThoughtsを紹介します。
これにより、ほぼゼロのエンジニアリングコストで、推論が再生可能で、監査可能で、エージェント間でマージ可能になります。
メモリは、どんな基板でも、実際に精度を向上させるのか?
5つの基板(ゼロ、マークダウン、ベクター、グラフ、git)、ベンチマーク2つ、モデルスケール2つ、事前登録されたレプリケーションでは、新しい問題の答えはノーである。
メモリフォーマットは確実に役に立たず、将来有望な初期結果は、独自の登録済みのレプリケーションで崩壊した。
検索されたケースが現在の問題(類似度>~0.8)のほぼ重複している場合、精度は急上昇します。
4.5倍のモデルでは、ほぼ重複したペイオフが倍になるが、動作する例から転送可能なメソッドを抽出することはできない。
私たちが見つける唯一の一般的なレバーは、テスト時間サンプリングです。
したがって、git-as-substrateのケースは、監査性、証明性、マージ性である。
我々は、抽出された結果と、自分たちが持っている評価基準をモデル化するための反証仮説を文書化する。
関連論文リスト
- Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。
既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。
我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
論文 参考訳（メタデータ） (2026-06-08T17:54:10Z) - CommitDistill: A Lightweight Knowledge-Centric Memory Layer for Software Repositories [0.5872014229110213]
ソフトウェアは、コミットメッセージ、プルリクエストの議論、スレッド発行に大量の構造化されていない知識を蓄積します。
エージェントのタイプメモリアーキテクチャ(MemGPT、生成エージェント、YangらのPlugMemモジュール)に関する最近の研究は、エージェントメモリは生の対話テキストではなく、蒸留された型付き知識であるべきだと主張している。
私たちは、決定論的、依存性なし、ローカルのみ、埋め込みなしという制約のある体制の下で、ソフトウェアリポジトリ自身のgit履歴にそのスタンスを適用します。
論文 参考訳（メタデータ） (2026-05-18T12:14:28Z) - Fine-grained Multi-Document Extraction and Generation of Code Change Rationale [9.038241584076468]
私たちは、いかに合理的なコンポーネント(例えば、変更の目標、ニーズ、代替品)がアーティファクトに分散されているかを調べます。
LLMベースのアプローチであるARGUSを導入し、コミットのアーティファクトのゴール、ニーズ、代替を表現した文を識別する。
論文 参考訳（メタデータ） (2026-04-11T20:49:36Z) - Lore: Repurposing Git Commit Messages as a Structured Knowledge Protocol for AI Coding Agents [0.0]
本稿では,コミットメッセージを自己完結型決定レコードに再構成する軽量プロトコルであるLoreを提案する。
Loreはgit以外のインフラストラクチャを必要とせず、スタンドアロンのCLIツール経由でクエリ可能であり、シェルコマンドを実行可能なエージェントによって検出可能である。
論文 参考訳（メタデータ） (2026-03-16T17:27:30Z) - From Lossy to Verified: A Provenance-Aware Tiered Memory for Agents [26.35084166166742]
TierMemは、推論時のエビデンス割り当て問題として検索をキャストする。
LoCoMoでは、TierMemが0.851の精度を実現し、入力トークンを54.1%、レイテンシを60.7%削減した。
論文 参考訳（メタデータ） (2026-02-20T00:21:37Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。
Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-02-18T15:56:34Z) - Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls [83.89771461061903]
検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。
検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。
意味論的に等価なコンテンツを持つ冗長な状態による$textitover-Exploration$と、検証器のスコアリングにおける高いばらつきに起因する$textitunder-Exploration$である。
各種木探索アルゴリズムに適合するフレキシブルなプラグアンドプレイシステムであるFETCHを提案する。
論文 参考訳（メタデータ） (2025-02-16T16:12:01Z) - Fact Checking Beyond Training Set [64.88575826304024]
本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。
本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。
次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
論文 参考訳（メタデータ） (2024-03-27T15:15:14Z) - Delving into Commit-Issue Correlation to Enhance Commit Message
Generation Models [13.605167159285374]
コミットメッセージ生成は、自動化されたソフトウェアエンジニアリングにおいて難しいタスクである。
ツールとは,コミットとイシューの相関関係をモデルのトレーニングフェーズに導入する,新たなパラダイムだ。
その結果,元モデルと比較して,ツール強化モデルの性能は大幅に向上した。
論文 参考訳（メタデータ） (2023-07-31T20:35:00Z) - ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and
Gradient Accumulation [106.04777600352743]
微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。
シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。
メモリフレンドリーだが、計算コストも低い。
RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-23T06:34:07Z)
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。