論文の概要: PACMS: Submodular Context Selection as a Pluggable Engine for LLM Agents

• arxiv url: http://arxiv.org/abs/2606.20047v1
• Date: Thu, 18 Jun 2026 10:22:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.793779
• Title: PACMS: Submodular Context Selection as a Pluggable Engine for LLM Agents
• Title（参考訳）: PACMS: LLMエージェントのプラグインエンジンとしてのサブモジュールコンテキスト選択
• Abstract要約: LLMエージェントは、複数の方向から同時に満たされるコンテキストウィンドウ上で動作する。 一般的なメカニズムは、時として周期的な要約と組み合わせて、直流の切り離しである。 Retrieval拡張生成は、外部文書をプロンプトにフェッチするが、エージェントの空白表示されたコンテキストを仲裁しない。
• 参考スコア（独自算出の注目度）: 0.9134244356393664
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Conversational and tool-using LLM agents operate over a context window that fills from several directions simultaneously. As a session proceeds, the agent accumulates user and assistant turns, entries drawn from a persistent memory store, and often largest of all, the verbatim outputs of tool calls such as file reads, search results, and API responses. Once the cumulative context exceeds the model's token budget, the framework must decide what to keep. The prevailing mechanism is recency truncation, sometimes paired with periodic summarization. This is topic-blind: a fact established early in a session is discarded simply because it is old, even when the current user query is about exactly that fact; conversely, verbose but irrelevant recent material is retained. Agents that must recall information across many turns, the defining case for memory, are precisely where recency truncation fails. Existing alternatives sit outside the agent's assembly step. Retrieval augmented generation fetches external documents into the prompt but does not arbitrate the agent's \emph{already-present} pooled context. Context-compression methods reduce token count by rewriting or pruning text, but operate query-blind and lossily. Neither treats memory entries, conversation turns, and tool outputs as a single candidate pool to be selected from by relevance at the moment the prompt is assembled.
• Abstract（参考訳）: 会話用およびツール用LLMエージェントは、複数の方向から同時に満たされるコンテキストウィンドウ上で動作する。 セッションが進むと、エージェントはユーザーとアシスタントのターンを蓄積し、永続的なメモリストアから引き出されたエントリを蓄積する。 累積コンテキストがモデルのトークン予算を超えると、フレームワークは何を維持するかを決めなければなりません。 一般的なメカニズムは、時として周期的な要約と組み合わせて、直流の切り離しである。 セッションの初期に確立された事実は、単に古いため、現在のユーザクエリがまさにその事実である場合でも破棄される。 多くのターンにまたがって情報を思い出さなければならないエージェント、つまりメモリの定義するケースは、正確にはリレートトランケーションが失敗する場所である。 既存の代替手段はエージェントの組み立てステップの外に座っています。 Retrieval拡張生成は、外部文書をプロンプトにフェッチするが、エージェントの \emph{already-present} プールされたコンテキストを仲裁しない。 コンテキスト圧縮法は、テキストの書き直しやプルーニングによってトークン数を減少させるが、クエリの盲点と損失の少ない操作を行う。 どちらも、プロンプトが組み立てられた時点で関連性によって選択される単一の候補プールとしてメモリエントリ、会話のターン、ツール出力を扱いません。

関連論文リスト

• Context as an Environment: Programmatic Context Management for Long-Horizon Agents [47.21335299084925]
  それぞれのエージェントセッションを実行可能なセッション環境として扱うコンテキストマネージャであるScrollを提示する。 カーネルはモデルコールにまたがって型付けされ、ツール出力、検索された履歴、派生した状態が変数にバインドされる。
  論文  参考訳（メタデータ） (2026-08-21T23:39:19Z)
• Zero-Mem: Zero-Token Memory Operations for LLM Agents [17.228305588778]
  Zero-Memは、元の相互作用トレースをレコードのソースとして保存する。 Zero-Memは、長期メモリと長期コンテキストの問合せベンチマークで競合するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-31T13:01:06Z)
• LazyMem: Retrieve Broadly, Construct Selectively for Efficient Long-Term Agent Memory [10.916121108457537]
  クエリ時間にすべてのメモリ構成を遅延させるLazyMemを紹介します。 LongMemEvalでは、LazyMem-4B は LLM-judge の精度 0.85 を達成し、最強の非線形ベースラインを上回っている。 さらに、ターゲットドメイントレーニングなしでLoCoMoに一般化し、以前のクエリ時間ベースラインと比較して平均レイテンシを低減する。
  論文  参考訳（メタデータ） (2026-07-17T12:49:57Z)
• OpenRath: Session-Centered Runtime State for Agent Systems [2.9568259440852]
  OpenRathはマルチエージェント・マルチセッションシステムのためのPyTorchのようなプログラミングモデルである。 セッションはブランチ可能、検査可能、再生可能、バックエンド対応、構成可能である。 レポートは、プログラミングモデル、アーキテクチャ、監査されたマイルストーン、エビデンスプロトコルを提示する。
  論文  参考訳（メタデータ） (2026-06-17T15:19:19Z)
• Scaling Self-Evolving Agents via Parametric Memory [69.96398842169002]
  既存のメモリ拡張LDMエージェントは、過去の経験をプロンプト空間にのみ保存する。 自己進化型パラメトリックメモリフレームワークである textttTMEM を導入する。 textttTMEMは、様々なモデルスケールで要約ベースのベースラインと検索ベースのベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-03T07:18:31Z)
• 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)
• 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)
• A Simple Yet Strong Baseline for Long-Term Conversational Memory of LLM Agents [4.706565675142042]
  LLMベースの会話エージェントは、多くのセッションにおいてコヒーレントでパーソナライズされたインタラクションを維持するのに依然として苦労している。 ニューダビッドソンのイベントセマンティクスに触発され、会話履歴を短く、イベントのような命題として表現するイベント中心の代替案を提案する。 我々の設計は、情報を非圧縮形式で保存し、より損失の多いものよりもアクセスしやすくすることを目的としています。
  論文  参考訳（メタデータ） (2025-11-21T12:41:17Z)
• COSMIR: Chain Orchestrated Structured Memory for Iterative Reasoning over Long Context [12.538401452822098]
  アドホックメッセージを構造化メモリで置き換えるチェーンスタイルのフレームワークであるCOSMIRを紹介する。 エージェントは、固定されたマイクロサイクルによってチャンクを処理する: Extract, Infer, Refine, write all update to the shared memory。 その後、マネージャエージェントがメモリから直接最終回答を合成する。
  論文  参考訳（メタデータ） (2025-10-06T08:10:04Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• Walking Down the Memory Maze: Beyond Context Limit through Interactive Reading [63.93888816206071]
  我々は,長いコンテキストを要約ノードのツリーに処理する手法であるMemWalkerを紹介した。クエリを受信すると,モデルがこのツリーをナビゲートして関連する情報を検索し,十分な情報を収集すると応答する。 その結果,MemWalkerは,テキストを対話的に読み取る際の推論ステップを強調し,クエリに関連するテキストセグメントをピンポイントすることで,説明性の向上を図っている。
  論文  参考訳（メタデータ） (2023-10-08T06:18:14Z)
• Phrase Retrieval for Open-Domain Conversational Question Answering with Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
  Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。 そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T09:46:38Z)
• Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
  本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。 我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-24T11:37:22Z)

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。