論文の概要: Organizational Memory for Agentic Business Process Execution

• arxiv url: http://arxiv.org/abs/2607.03228v1
• Date: Fri, 03 Jul 2026 11:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.562229
• Title: Organizational Memory for Agentic Business Process Execution
• Title（参考訳）: エージェント業務プロセス実行のための組織記憶
• Abstract要約: 汎用LLMは、信頼性の高い実行に必要な組織固有の知識を欠いている。 本稿では,エージェント型ビジネスプロセス実行のための組織記憶を提案する。
• 参考スコア（独自算出の注目度）: 0.7080990243618377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based agents offer new opportunities for automating business process execution beyond the limits of rule-based systems. However, general-purpose LLMs lack the organization-specific knowledge required for reliable execution, which is typically fragmented across human-oriented artifacts such as policies, process models, and standard operating procedures. While such knowledge can technically be encoded in individual prompts or agent-specific retrieval setups, this approach does not scale in enterprises, as it gives rise to knowledge silos and rule duplicates, and makes consistent updates and learning across agents difficult. We argue that this calls for an organizational memory for agentic business process execution: a shared, governed, and agent-consumable reference layer of evolving organization-specific procedural knowledge about how work should be executed. We derive requirements for such a memory, propose an architecture for its curation and consumption, and demonstrate its effectiveness in a proof-of-concept based on a procurement scenario.
• Abstract（参考訳）: LLMベースのエージェントは、ルールベースのシステムの限界を超えたビジネスプロセス実行を自動化する新しい機会を提供する。 しかし、汎用LLMは信頼性の高い実行に必要な組織固有の知識を欠いているため、一般的にポリシーやプロセスモデル、標準的な操作手順といった、人間指向のアーティファクトで断片化されている。 このような知識は、技術的には個々のプロンプトやエージェント固有の検索設定にエンコードできるが、このアプローチは、知識サイロやルールの重複を引き起こすため、企業ではスケールしないため、エージェント間で一貫した更新や学習が困難になる。 これは、組織固有の手続き的知識を進化させるための共有、管理、およびエージェント消費可能な参照層である、エージェントビジネスプロセス実行のための組織記憶を要求するものだ、と私たちは主張する。 このようなメモリの要件を導出し、そのキュレーションと消費のためのアーキテクチャを提案し、その効果を調達シナリオに基づく概念実証で実証する。

関連論文リスト

• Formal Verification of Agentic Systems over Operational Data [59.98246281888422]
  大規模言語モデル(LLM)によって駆動されるエージェントシステムは、永続的な運用データを扱う現実世界にますます展開されている。 既存のアプローチはそのようなシステムレベルの保証を提供していません。 本稿では, 1 つの LLM とツールオーケストレーションハーネスからなるエージェントシステムのリレーショナル操作データに対する検証について述べる。
  論文  参考訳（メタデータ） (2026-08-04T13:01:30Z)
• Knowledge-Centric Agents for Workflow Generation [73.4340391112949]
  複数の抽象化レベルにわたる知識を逆転させ、注入し、推論することを学ぶ知識中心のフレームワークを提案する。 提案手法は,ノードの多様性,コヒーレントな構造,既存システムよりも高い実行成功率で生成する。
  論文  参考訳（メタデータ） (2026-07-17T11:03:01Z)
• Beyond Generalist LLMs: Specialist Agentic Systems for Structured Code Workflow Execution [0.40631409309544836]
  大規模言語モデル(LLM)は、ソフトウェア開発エージェントの採用を加速し、現在、統合開発環境(IDE)拡張やスタンドアロンアプリケーションとして広く利用されています。 これらのエージェントは一般的に汎用的であるが、専門家がさらなる開発努力を正当化するかどうかは不明だ。 ビジネスプロセス・モデルと表記法(BPMN)のダイアグラムを実行可能なエージェントに変換することに焦点を当て、ビジネスプロセスの自動化という文脈でこの問題を考察する。
  論文  参考訳（メタデータ） (2026-07-16T01:06:38Z)
• A Process Harness for Uplifting Legacy Workflows to Agentic BPM: Design and Realization in CUGA FLO [2.0840789905678485]
  我々は、Agentic Business Process Management(Agentic BPM)にレガシーをアップリフトするための新しいメカニズムであるプロセスハーネスを導入します。 プロセスは、決定論的ワークフローエンジンの周囲にポリシーが支配するエージェント層を配置し、指定された制御ポイントをインターセプトして推論、適応、監視を行い、エンジンはプロセスの構造的権限を保持する。 我々は、CUGA FLOをTDFモデルの設計と実装の実現として提示し、3つのエージェントタイプすべてとフック駆動の規制オーバーライドを実行するローン承認ワークフロー上でそれを実証する。
  論文  参考訳（メタデータ） (2026-06-25T15:50:42Z)
• Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
  大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。 LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。 モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
  論文  参考訳（メタデータ） (2026-01-12T21:31:38Z)
• Blueprint First, Model Second: A Framework for Deterministic LLM Workflow [3.9886771197662925]
  我々は、"Blueprint First, Model Second"哲学に基づいた新しいパラダイムであるSource Code Agentフレームワークを紹介します。 私たちのフレームワークは、ワークフローロジックを生成モデルから切り離します。 我々の研究は、厳格な手続き論理に支配されるアプリケーションに自律エージェントを検証し、信頼性の高い配置を可能にする。
  論文  参考訳（メタデータ） (2025-08-01T03:10:00Z)
• AGENTIF: Benchmarking Instruction Following of Large Language Models in Agentic Scenarios [51.46347732659174]
  LLM(Large Language Models)は、現実世界のエージェントアプリケーションにおいて高度な機能を示す。 AgentIFは、エージェントシナリオでLLM命令に従う能力を体系的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T17:31:10Z)
• Agentic Knowledgeable Self-awareness [79.25908923383776]
  KnowSelfはデータ中心のアプローチで、人間のような知識のある自己認識を持つエージェントを応用する。 我々の実験により、KnowSelfは、外部知識を最小限に使用して、様々なタスクやモデルにおいて、様々な強力なベースラインを達成できることが実証された。
  論文  参考訳（メタデータ） (2025-04-04T16:03:38Z)
• Formally Specifying the High-Level Behavior of LLM-Based Agents [24.645319505305316]
  LLMはタスク固有の微調整モデルを必要とせずに、課題を解決するための有望なツールとして登場した。 現在、このようなエージェントの設計と実装はアドホックであり、LLMベースのエージェントが自然に適用できる様々なタスクは、エージェント設計に一律に適合するアプローチが存在しないことを意味する。 エージェント構築のプロセスを簡単にする最小主義的生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-12T17:24:15Z)
• Procedures as Programs: Hierarchical Control of Situated Agents through Natural Language [81.73820295186727]
  エージェント命令と制御のための階層的な手続き的知識を表現する強力な手法である,プログラムとしての手続きの形式化を提案する。 NL命令に対するIQAおよびALFREDデータセット上で、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2021-09-16T20:36:21Z)

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。