論文の概要: Oracle Agent Memory as an Enterprise Memory Substrate for Long-Horizon AI Agents
- arxiv url: http://arxiv.org/abs/2607.13157v1
- Date: Tue, 14 Jul 2026 18:06:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.559125
- Title: Oracle Agent Memory as an Enterprise Memory Substrate for Long-Horizon AI Agents
- Title（参考訳）: 長期AIエージェントのエンタープライズメモリ基盤としてのOracle Agent Memory
- Abstract要約: Oracle Agent Memoryは、Oracle Database上に構築されたデータベースネイティブなメモリ基板である。
レポートはLongMemEvalの結果を要約し、93.8%の精度に達した。
- 参考スコア（独自算出の注目度）: 3.704983597040439
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Agent memory is a systems problem for long-horizon agents. Practical deployments require retention of task state across extended conversations, recovery of user-specific facts and preferences across sessions, and accumulation of procedural knowledge from prior outcomes. These requirements extend beyond document retrieval: a memory layer must determine which interactions become durable state, how that state is scoped, how it is retrieved under latency constraints, and how it is revised or removed over time. This report studies Oracle Agent Memory as a database-native memory substrate built on Oracle Database. Three themes organize the discussion: memory as a lifecycle spanning ingestion, extraction, consolidation, retrieval, summarization, and revision or removal; a layered architecture that separates an active memory core from a passive memory-store interface with explicit scope control across users, agents, and threads; and evaluation methodology in which downstream task accuracy is complemented by memory-centric measures such as evidence retrieval, recall, latency, and estimated token use. The report summarizes LongMemEval results, reaching 93.8% accuracy, compares Oracle Agent Memory against flat-history baselines, using about 10.7x fewer tokens, and published or reported external baselines where available, and closes with implementation-oriented appendix material covering setup, thread lifecycle, and search semantics.
- Abstract（参考訳）: エージェントメモリは、ロングホライゾンエージェントのシステム問題である。
実践的なデプロイメントでは、会話を延ばしたタスク状態の保持、ユーザ固有の事実とセッション間の好みの回復、事前の結果からの手続き的知識の蓄積が必要になります。
メモリ層は、どのインタラクションが耐久性のある状態になるか、どのようにその状態がスコープ化されるか、どのように遅延制約の下でどのように検索されるか、どのように修正または削除されるかを決定する必要があります。
本報告では,Oracle Database上に構築されたデータベースネイティブメモリ基板として,Oracle Agent Memoryについて検討する。
メモリは、摂取、抽出、統合、検索、要約、リビジョンまたは削除にまたがるライフサイクルとして、アクティブメモリコアをユーザ、エージェント、スレッド間で明示的なスコープ制御を備えたパッシブメモリストアインターフェースから分離する階層アーキテクチャ、そして、下流タスクの精度がエビデンス検索、リコール、遅延、推定トークン使用などのメモリ中心の尺度によって補完される評価方法論である。
レポートでは、LongMemEvalの結果が93.8%の精度に達し、Oracle Agent Memoryとフラットヒストリーベースラインを比較し、トークンを約10.7倍削減し、利用可能な外部ベースラインを公開または報告し、セットアップ、スレッドライフサイクル、サーチセマンティクスをカバーした実装指向の付録資料をクローズしている。
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 as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。
メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。
MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文 参考訳（メタデータ） (2026-07-15T08:32:40Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory [19.802226925602927]
長期的なLLMエージェントは、変化する事実を追跡し、セッション間で関連する証拠を提供する、永続的なメモリを必要とする。
Infini Memoryは、エージェントメモリをトピック構造化文書として扱う、保守可能なテキストベースの永続メモリアーキテクチャである。
論文 参考訳（メタデータ） (2026-06-09T10:31:51Z) - MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。
マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。
MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
論文 参考訳（メタデータ） (2026-02-18T09:49:14Z) - Learning to Remember: End-to-End Training of Memory Agents for Long-Context Reasoning [18.621823772319154]
本稿では,メモリ操作と質問応答を一つのポリシーで統一するエンドツーエンド強化学習フレームワークを提案する。
UMAは、グローバルコンテキストのためのコンパクトなコアサマリと、明示的なCRUDをサポートする構造化メモリバンクという、二重メモリ表現を維持している。
Ledger-QA、Test-Time Learning、そしてCurcurate Retrievalにまたがる13のデータセットのうち、UMAは動的推論と学習タスクの長いコンテキストとRAGベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-02-13T16:54:23Z) - 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) - Mem2ActBench: A Benchmark for Evaluating Long-Term Memory Utilization in Task-Oriented Autonomous Agents [20.357475946040054]
textscMem2ActBenchは、エージェントがツールベースのアクションを実行するために長期的なメモリを積極的に活用できるかどうかを評価するベンチマークである。
リバースジェネレーション法は400のツール使用タスクを生成し、ヒトの評価は91.3%が強いメモリ依存であることを確認した。
論文 参考訳（メタデータ） (2026-01-13T06:22:32Z) - 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)
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。