論文の概要: Mandol: An Agglomerative Agent Memory System for Long-Term Conversations
- arxiv url: http://arxiv.org/abs/2606.29778v1
- Date: Mon, 29 Jun 2026 04:43:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.053295
- Title: Mandol: An Agglomerative Agent Memory System for Long-Term Conversations
- Title（参考訳）: Mandol: 長期会話のための集約型エージェントメモリシステム
- Abstract要約: Mandolは、断片化されたメモリ表現とストレージを統一されたメモリネイティブアーキテクチャに統合する集約型メモリシステムである。
マンドルは代表エージェントメモリシステムの中で最高の全体的な精度を達成する。
- 参考スコア（独自算出の注目度）: 19.51654277630379
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term conversational agents need to remember and query cross-session, multi-typed information with complex correlations. Existing agent memory systems rely on heterogeneous vector and graph databases, which fragment memory information and cause high cross-database I/O latency. For retrieval, common RAG-style methods tend to introduce noise, miss correlated clues, and lack token budget control, degrading LLM accuracy and efficiency. We propose Mandol, an agglomerative memory system that consolidates fragmented memory representations and storage into a unified memory-native architecture. Its core components include: (1) a hierarchical memory model that organizes memory into a basic layer representing raw memory information and a high-level abstract layer that agglomerates basic memories into traceable abstract memories, both uniformly represented as structured semantic graphs; (2) an agglomerative semantic data structure combining SemanticMap and SemanticGraph, which natively fuses key-value, vector, and graph structures and provides unified hybrid retrieval operators to eliminate cross-database I/O; and (3) a quantitative query mechanism with query-adaptive routing, quantitative denoising and conflict resolution, and token-constrained context generation, all without involving LLMs during retrieval. Experiments on two widely used long-term conversation benchmarks, LoCoMo and LongMemEval, show that Mandol achieves the best overall accuracy among representative agent memory systems. For performance comparison, Mandol also obtains a 5.4x retrieval speedup and a 4.8x insertion speedup under 10 QPS concurrent load, while still maintaining low latency on consumer-grade hardware.
- Abstract（参考訳）: 長期会話エージェントは、複雑な相関関係を持つクロスセッション、マルチタイプ情報を記憶し、クエリする必要がある。
既存のエージェントメモリシステムは異種ベクトルとグラフデータベースに依存しており、メモリ情報を断片化し、高いデータベース間I/Oレイテンシを引き起こす。
検索では、一般的なRAGスタイルの手法はノイズを導入し、相関した手がかりを見逃し、トークンの予算管理が欠如し、LCMの精度と効率が低下する傾向にある。
本稿では,断片化されたメモリ表現と記憶を統一されたメモリネイティブアーキテクチャに集約する集約型メモリシステムMandolを提案する。
その中核となる構成要素は,(1)メモリを生のメモリ情報を表す基本層に整理する階層型メモリモデルと,(2)基本記憶を構造化されたセマンティックグラフとして一様に表現する高レベルの抽象レイヤ,(2)キー値,ベクトル,グラフ構造をネイティブに融合し,データ間I/Oを除去する統合ハイブリッド検索演算子を提供するセマンティックマップとセマンティックグラフを組み合わせた集合型セマンティックデータ構造,(3)クエリ適応ルーティングによる定量的クエリ機構,定量的デノベーションとコンフリクト解決,およびトークン制約付きコンテキスト生成などである。
LoCoMoとLongMemEvalの2つの長期会話ベンチマーク実験は、マンドルが代表エージェントメモリシステムの中で最高の総合的精度を達成していることを示している。
性能比較のために、Mandolは5.4倍の検索スピードアップと10 QPSの同時負荷下での4.8倍の挿入スピードアップも取得した。
関連論文リスト
- Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。
統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。
これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
論文 参考訳（メタデータ） (2026-08-15T03:29:48Z) - 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) - eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents [1.8047694351309203]
物理環境で動作するエンボディエージェントのためのハイブリッドグラフベースメモリシステムeMEMを提案する。
eMEMはこのギャップをマルチインデックスアーキテクチャ(構造化ストレージ用ITE、近傍セマンティックサーチ用hlib、空間クエリ用Rツリー)で埋める。
また,eMEM-Bench v1は,メモリ評価のためのProcTHOR-10Kシーン上で構築したベンチマークである。
論文 参考訳（メタデータ） (2026-06-02T09:22:12Z) - Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents [0.4464102544889847]
メモリは、プロダクショングレードのエージェントシステムのデプロイにおいて、主要なアーキテクチャ上のボトルネックである。
Memantoは、エージェント人工知能のための普遍記憶層である。
メマントは、それぞれ89.8%と87.1%の精度を達成している。
論文 参考訳（メタデータ） (2026-04-23T21:34:36Z) - MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。
MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
論文 参考訳（メタデータ） (2026-04-19T05:35:06Z) - Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。
さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。
本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
論文 参考訳（メタデータ） (2026-02-05T13:49:05Z) - 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) - SwiftMem: Fast Agentic Memory via Query-aware Indexing [45.27116353623848]
我々は,時間的・意味的次元の特殊インデックス化によるサブ線形検索を実現する,クエリ対応のエージェントメモリシステムであるSwiftMemを提案する。
DAG-Tagインデックスは、階層的なタグ構造を通して、クエリを関連するトピックにマッピングする。
LoCoMoとLongMemEvalベンチマークの実験では、SwiftMemは最先端のベースラインに比べて47$times$高速検索を実現している。
論文 参考訳（メタデータ） (2026-01-13T02:51:04Z) - 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)
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。