論文の概要: Metis: Bridging Text and Code Memory for Self-Evolving Agents
- arxiv url: http://arxiv.org/abs/2606.24151v1
- Date: Tue, 23 Jun 2026 05:17:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.787341
- Title: Metis: Bridging Text and Code Memory for Self-Evolving Agents
- Title（参考訳）: Metis: セルフ進化エージェントのためのテキストとコードメモリ
- Authors: Zijie Dai, Siuhin He, Hui Li, Qihui Zhou, Jiajun Li, Mingcong Song, Guoping Long, Hongjie Si, Xin Yao, Lin Zhang, James Cheng, Xiao Yan,
- Abstract要約: 自己進化エージェントは、過去の実行から経験を蒸留し、将来のタスクで再利用することで、時間の経過とともに改善する。
既存のシステムは、エージェントコンテキストに注入された自然な表現テキストや、呼び出し可能なツールとして公開されたコードのような経験を表す。
本研究は,テキストメモリとコードメモリを同一体験群上で分離する最初の制御された研究である。
階層型二重言語メモリ上に構築された自己進化型エージェントシステムであるMetisを提案する。
- 参考スコア（独自算出の注目度）: 21.326566023251534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-evolving agents improve over time by distilling experience from past executions and reusing it in future tasks. Existing systems represent such experience either as natural-language text injected into the agent context or as code exposed as callable tools. However, the choice between these representations is typically made at design time rather than derived from the characteristics of the experience itself, leaving the trade-offs between them poorly understood. We present the first controlled study that isolates text memory and code memory over an identical set of experiences. Our results show that the two forms exhibit complementary trade-offs in construction cost, execution efficiency, and transferability, such that neither representation alone is sufficient. Guided by these findings, we propose Metis, a self-evolving agent system built on a hierarchical dual-representation memory. Metis organizes textual experience into execution plans, environment facts, and common pitfalls, and selectively crystallizes recurring plans into validated callable tools. This design combines the broad applicability of text memory with the execution efficiency of code memory while incurring tool-generation cost only when justified by repeated reuse. We evaluate Metis on AppWorld, a challenging benchmark for interactive agents. The results show that Metis improves task accuracy by up to 20.6% over ReAct while reducing execution cost by up to 22.8%. Compared with representative self-evolving agent systems, Metis consistently achieves a better balance between accuracy, execution efficiency, and memory-construction cost.
- Abstract（参考訳）: 自己進化エージェントは、過去の実行から経験を蒸留し、将来のタスクで再利用することで、時間の経過とともに改善する。
既存のシステムは、エージェントコンテキストに注入された自然言語テキストや、呼び出し可能なツールとして公開されているコードのような経験を表す。
しかしながら、これらの表現間の選択は通常、経験自体の特徴から派生するのではなく、設計時に行われ、それらの間のトレードオフは理解されていないままである。
本研究は,テキストメモリとコードメモリを同一体験群上で分離する最初の制御された研究である。
以上の結果から,両形式は建設コスト,実行効率,移動性において相補的なトレードオフを示し,表現だけでは不十分であることがわかった。
これらの知見に導かれて,階層的二重表現メモリ上に構築された自己進化型エージェントシステムであるMetisを提案する。
Metisはテキスト体験を実行計画、環境事実、共通の落とし穴に整理し、繰り返しプランを検証可能なツールに選択的に結晶化する。
この設計は、テキストメモリの幅広い適用性とコードメモリの実行効率を組み合わせ、繰り返し再利用によって正当化された場合にのみツール生成コストを発生させる。
私たちは、インタラクティブエージェントのための挑戦的なベンチマークであるAppWorld上でMetisを評価する。
その結果、Metisはタスクの精度をReActで最大20.6%改善し、実行コストを最大22.8%削減した。
代表的自己進化エージェントシステムと比較すると,Metisは精度,実行効率,メモリ構築コストのバランスが良好である。
関連論文リスト
- Mem-$π$: Adaptive Memory through Learning When and What to Generate [65.31077328444077]
本稿では,大規模言語モデル(LLM)エージェントにおける適応メモリのためのフレームワークを提案する。
Mem-$は検索ベースとRL最適化メモリベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-20T17:51:05Z) - EXG: Self-Evolving Agents with Experience Graphs [25.363377373092955]
自己進化型エージェントのためのエクスペリエンスグラフフレームワークEXGを紹介する。
EXGは、蓄積された成功と失敗を構造化されたリレーショナル表現に明示的に整理する。
以上の結果から,グラフとしての構造化経験は,スケーラブルで移動可能な自己進化エージェント行動の基盤となることが示唆された。
論文 参考訳（メタデータ） (2026-05-18T00:50:23Z) - 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) - Trajectory-Informed Memory Generation for Self-Improving Agent Systems [4.933717407152962]
LLMを使用したエージェントは、実行経験から学び、将来のパフォーマンスを改善するという、永続的な課題に直面します。
本稿ではエージェント実行軌跡から実行可能な学習を自動的に抽出する新しいフレームワークを提案する。
本フレームワークは,実行パターンを理解し,前向きな構造化学習を抽出し,特定のタスクコンテキストに合わせたガイダンスを検索する。
論文 参考訳（メタデータ） (2026-03-11T09:54:09Z) - Dual Latent Memory for Visual Multi-agent System [69.29799381195592]
Visual Multi-Agent Systems (VMAS)は、エージェント間のコラボレーションを通じて包括的な能力を強化することを約束する。
増量剤は、指数関数的にトークンコストを膨らませながら、しばしば性能を低下させる。
L$2$-VMASは,2つの潜在記憶を用いたエージェント間コラボレーションを実現する新しいモデルに依存しないフレームワークである。
論文 参考訳（メタデータ） (2026-01-31T02:49:10Z) - AgentSM: Semantic Memory for Agentic Text-to-SQL [16.68006461152765]
Agent Semantic Memory (AgentSM)は、解釈可能なセマンティックメモリを構築し、利用する。
AgentSMは、Spider 2.0ベンチマークにおいて、平均トークン使用量と軌道長をそれぞれ25%と35%削減する。
また、クモ2.0 Liteベンチマークで44.8%の最先端の精度に達することで、実行精度も向上した。
論文 参考訳（メタデータ） (2026-01-22T07:31:19Z) - Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。
ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。
BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
論文 参考訳（メタデータ） (2025-12-11T14:40:01Z) - ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。
テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。
本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
論文 参考訳（メタデータ） (2025-09-29T17:51:03Z) - Memory Management and Contextual Consistency for Long-Running Low-Code Agents [0.0]
本稿ではLCNCエージェントに特化して設計された新しいハイブリッドメモリシステムを提案する。
認知科学にインスパイアされた私たちのアーキテクチャは、エピソードとセマンティックメモリコンポーネントと、積極的な「インテリジェント・デカイ」メカニズムを組み合わせています。
鍵となるイノベーションは、LCNCパラダイムに沿ったユーザ中心の可視化インターフェースであり、非技術者のユーザがエージェントのメモリを直接管理できるようにする。
論文 参考訳（メタデータ） (2025-09-27T08:01:26Z) - How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior [65.70584076918679]
メモリは、大きな言語モデル(LLM)ベースのエージェントにおいて重要なコンポーネントである。
本稿では,メモリ管理の選択がLLMエージェントの行動,特に長期的パフォーマンスに与える影響について検討する。
論文 参考訳（メタデータ） (2025-05-21T22:35:01Z)
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。