論文の概要: Agentic Context Management: Solving Agent Memory and Cost by Treating Them as Lifecycle and Architecture Problems
- arxiv url: http://arxiv.org/abs/2607.21503v1
- Date: Thu, 23 Jul 2026 16:51:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.487809
- Title: Agentic Context Management: Solving Agent Memory and Cost by Treating Them as Lifecycle and Architecture Problems
- Title（参考訳）: エージェントコンテキスト管理 - ライフサイクルとアーキテクチャの問題としてのテーマの扱いによるエージェントメモリとコストの解決
- Abstract要約: 生産AIエージェントの失敗は、推論コンテキストにあるものを管理することができないため、適切に、より頻繁に推論できないため、それほど多くはない。
私たちはこの規律をエージェントコンテキスト管理(ACM)と呼び、それを5つのプリミティブに分解します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Production AI agents' failures are less often due to an inability to reason well and more often because they cannot manage what is in their reasoning context: conversation histories, large prompts, large tool definitions, and ballooning tool outputs. Agents drown in their own accumulating history while paying a token cost that grows every turn, producing missing recalls within and across conversations. The incumbent response treats this as a storage-and-retrieval problem. We argue that framing is too narrow. Actively managing what an agent holds in mind is a lifecycle, not merely a store: it spans deciding what to remember, extracting and structuring it, choosing the right store per data type, consolidating and forgetting while preserving provenance, deciding what is relevant now, anticipating what is needed next, and compacting context to a budget without losing what matters. In serious production this operates not over a single user but across an organizational scope hierarchy. We name this discipline Agentic Context Management (ACM) and decompose it into five primitives: architecting, ingesting, scoping, anticipating, and compacting & consolidation. We then make the economic case: naive context accumulation grows token cost quadratically in conversation length, crude summarization buys linear cost at the price of an accuracy cliff, and only validated compaction achieves linear cost with preserved fidelity. We describe a reference implementation, Maximem Synap, that realizes the five primitives as a multi-tenant service and reports 92% on LongMemEval and 93.2% on LoCoMo under the configuration detailed in Section 6. We close with dimensions existing benchmarks do not yet capture, latency, token efficiency, and context-rot resistance, and the frontier of decision-level and organization-level context the category points toward.
- Abstract（参考訳）: 生産AIエージェントの失敗は、会話履歴、大きなプロンプト、大きなツール定義、バルーンツールアウトプットといった、推論コンテキストにあるものを管理できないため、推論がうまく、より頻繁にできないため、それほど多くはない。
エージェントは、各ターンに成長するトークンコストを支払いながら、自分自身の蓄積履歴に溺れ込み、会話の内外でのリコールを欠く。
既存の応答は、これを記憶と検索の問題として扱う。
フレーミングは狭すぎると我々は主張する。
エージェントが何を記憶するかをアクティブに管理することは、単にストアではなくライフサイクルである – 記憶すべきものを決め、抽出し、構造化し、データタイプごとに適切なストアを選択し、前兆を保ちながら統合し、忘れる。
真面目な運用では、単一のユーザではなく、組織的なスコープ階層にわたって動作します。
私たちはこの規律をエージェントコンテキスト管理(ACM)と呼び、それを5つのプリミティブに分解します。
次に, 実測的文脈蓄積は, 会話長で2次的にトークンコストを増大させ, 粗雑な要約は, 高精度崖の価格で線形コストを買い取り, 確証されたコンパクト化のみが, 保存された忠実度で線形コストを達成する。
5つのプリミティブをマルチテナントサービスとして実現し、LongMemEvalで92%、LoCoMoで93.2%を、セクション6で詳述された構成で報告する参照実装であるMaximem Synapについて説明する。
これまでのベンチマークでは、キャプチャやレイテンシ、トークン効率、コンテキストロート耐性、カテゴリが目指す意思決定レベルと組織レベルのコンテキストのフロンティアなど、さまざまな側面を網羅しています。
関連論文リスト
- ACM: Agentic Context Management for Long Horizon Tasks [27.337726990282928]
Agentic Context Management (ACM) は、エージェントに汎用的なコンテキスト編集ツールを提供するフレームワークである。
短期記憶と長期記憶の相互作用にインスパイアされたエージェントは、いつそのコンテキストを圧縮するかを自律的に決定する。
論文 参考訳（メタデータ） (2026-07-26T19:19:24Z) - Retain or Consolidate? Budget-Dependent Operator Selection for Language Agent Memory [20.66995011221925]
既存のシステムは主にメモリ保持とメモリ統合という2つの戦略に従っている。
この決定は、各オペレータのユーティリティを、保持によって省略された証拠に対するカバレッジ効果に分解することで定式化します。
LongMemEvalでは、厳格な予算では絶対精度を最大48%向上させ、緩やかな予算では維持が望ましい。
論文 参考訳（メタデータ） (2026-07-20T04:43:47Z) - What to Keep, What to Forget: A Rate--Distortion View of Memory Compaction in LLMs and Agents [1.0742675209112622]
4つの研究コミュニティがそれぞれ,大規模言語メモリのコンパクト化を学んでいることを示す。
我々は、これらが1つの問題の例であると主張する。
このレンズを1つのコンパクト化目標と層に依存しない下界で正確にし、スタック全体からメソッドを一様に分類する7軸分類法を構築するために使用する。
論文 参考訳（メタデータ） (2026-07-09T01:15:03Z) - MemRefine: LLM-Guided Compression for Long-Term Agent Memory [67.62350557461352]
大規模言語モデル (LLM) エージェントは、長期的相互作用を通じて操作されることがますます期待されている。
相互作用が蓄積されるにつれて、メモリストアはバウンドなしで成長し、ストレージコストを増大させ、最も有用な証拠を収集することによって検索を低下させる冗長なエントリを埋める。
これは特に、ハードメモリの予算を持つリソース制約のあるプラットフォームに制限されている。
本稿では,既存のメモリストアを固定予算内に保持し,将来的なインタラクションに有用な情報を保存するための,ストレージ予算のメモリ管理を提案する。
論文 参考訳（メタデータ） (2026-06-11T10:46:17Z) - SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。
既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。
我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
論文 参考訳（メタデータ） (2026-05-23T08:37:16Z) - LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents [63.75550089045995]
ロングホライズン検索エージェントは、理由として急速に成長する作業状況を管理し、ツールを呼び、情報を観察しなければならない。
エージェントの軌道の一部は、タスクに対する現在の関連性に応じて、異なるレベルで細部まで維持される。
我々は10kの合成軌道上にQwen3-30B-A3Bを微調整した長距離探索エージェントであるLongSeekerを開発した。
論文 参考訳（メタデータ） (2026-05-06T17:54:16Z) - Beyond Compaction: Structured Context Eviction for Long-Horizon Agents [0.0]
本研究では,長期LLMエージェントに効果的に非有界な作業地平線を与えるコンテキスト管理方式であるContext Window Lifecycle (CWL)を提案する。
セッションが履歴を蓄積するにつれて、CWLは、完了した意味論的に認識された定義を通じて、コンテキストを予算内に保持する。
本稿では, アノテーションプロトコル, エピソードグラフ, 消去ポリシー, トークンカウントループについて記述し, 長期エージェントベンチマークによるCWLの評価を行う。
論文 参考訳（メタデータ） (2026-05-01T18:39:02Z) - 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) - Learning Query-Aware Budget-Tier Routing for Runtime Agent Memory [56.0946692457838]
BudgetMemは、明示的でクエリ対応のパフォーマンスコスト管理のためのランタイムエージェントメモリフレームワークである。
軽量ルータは、タスク性能とメモリ構築コストのバランスをとるために、モジュール間の予算層ルーティングを実行する。
LoCoMo、LongMemEval、HotpotQAの他、BudgetMemはパフォーマンスが優先されるときに、強力なベースラインを超える。
論文 参考訳（メタデータ） (2026-02-05T18:57:09Z) - ActMem: Bridging the Gap Between Memory Retrieval and Reasoning in LLM Agents [14.695250837875454]
本稿では,ActMemと呼ばれる新しい動作可能なメモリフレームワークを提案する。
ActMemは非構造化対話履歴を構造化因果グラフと意味グラフに変換する。
エージェントは暗黙の制約を推論し、過去の状態と現在の意図の間の潜在的な衝突を解決することができる。
論文 参考訳（メタデータ） (2026-02-04T00:54:53Z) - AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts [78.33143446024485]
我々は、横方向思考パズルに基づく環境ロールアウトによるエージェントの評価を行うtextbfAgentLongBenchを紹介した。
このフレームワークは、知識集約的で知識のないシナリオにまたがる厳密な相互作用の軌跡を生成する。
論文 参考訳（メタデータ） (2026-01-28T16:05:44Z) - 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)
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。