論文の概要: Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability
- arxiv url: http://arxiv.org/abs/2607.26637v1
- Date: Wed, 29 Jul 2026 08:59:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.587171
- Title: Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability
- Title（参考訳）: LLMエージェントのためのファイルシステムベースのメモリ:組織、進化、持続可能性
- Abstract要約: デプロイされたエージェントは、エージェント自身がジェネリックファイルツールを通じて読み込み、書き込み、再編成するマークダウンファイルのディレクトリツリーとして、長期記憶をますます保持する。
以前のシステムではメモリ表現を設計し、それらを検索し、デフォルトの2つの動作仮定を未検証のまま残した。
LLMエージェントのためのチャンクベースメモリの最初の体系的探索を行う。
- 参考スコア（独自算出の注目度）: 49.415740364852105
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deployed LLM agents increasingly keep their long-term memory as a filesystem: a directory tree of markdown files that the agent itself reads, writes, and reorganizes through generic file tools. Yet research has largely passed over this medium: prior systems design bespoke memory representations and study retrieval over them, leaving the default's two working assumptions untested: that an agent can keep a growing store organized as memories accumulate, conflict, and go stale, and that this organization pays. We present the first systematic exploration of filesystem-based memory for LLM agents. We formalize the setting as three roles around one memory filesystem: a management agent integrates and organizes incoming content, a search agent answers queries with cited sources, and an execution agent supplies task trajectories that are distilled into skills, unifying declarative memory and skills in a single store. Across long-conversation benchmarks and embodied tasks, we vary memory shape (agent-organized hierarchy, verbatim dump, chunk retrieval), stream scale, tool harness (sandboxed shell, memory-tool-style functions, varied search tooling), and the strengths of the management and search agents, tracking answer quality, cost, and store health as memory grows. What organization reliably buys is search economy: organized stores roughly halve retrieval cost where material is large. Today's agents, however, fall short of the default's promise: in our growth study, organization erodes for all but the strongest management agent, and no agent we measure converts organization itself into better answers. And the model is not the only lever over a store's shape: changing the tool set alone reshapes the store as strongly as swapping the model. The study turns the filesystem default from an assumption into a design space for agent memory.
- Abstract（参考訳）: デプロイされたLLMエージェントは、長期記憶をファイルシステムとして保持するようになっている: エージェント自体が一般的なファイルツールを通じて読み書き、再編成するマークダウンファイルのディレクトリツリー。
以前のシステム設計では、メモリ表現を思い起こさせ、それらを検索し、デフォルトの2つの動作仮定を未検証のまま残している: エージェントは、記憶が蓄積し、衝突し、老朽化するにつれて成長するストアを組織し続けることができ、この組織が支払う。
LLMエージェントのためのファイルシステムベースのメモリを初めて体系的に探索する。
管理エージェントは、受信したコンテンツを統合して整理し、検索エージェントは、引用したソースでクエリに回答し、実行エージェントは、スキルに蒸留されたタスクトラジェクトリを供給し、1つのストアで宣言的メモリとスキルを統一する。
長期会話ベンチマークや実施タスクの他、メモリ形状(エージェント編成階層、冗長ダンプ、チャンク検索)、ストリームスケール、ツールハーネス(サンドボックスシェル、メモリツールスタイルの関数、さまざまな検索ツール)、管理と検索エージェントの強み、応答品質、コスト、そしてメモリの増大に伴うストレージの健全性も様々です。
組織が確実に購入するものは、検索経済である。
しかし、今日のエージェントは、私たちの成長調査では、最強のマネジメントエージェント以外のすべての組織を侵食し、私たちが測定するエージェントは、組織自体をより良い回答に変換するという、デフォルトの約束には達しません。
ツールセットを単独で変更することで、モデルを交換するのと同じくらい強くストアを不満に思うのです。
この研究は、ファイルシステムをデフォルトを仮定からエージェントメモリの設計空間に変える。
関連論文リスト
- Are We Ready For An Agent-Native Memory System? [37.760278978612874]
大規模言語モデル(LLM)エージェントのメモリは、単純な検索拡張機構からデータ管理システムへと進化してきた。
既存の評価は、主にエンドツーエンドのタスク成功メトリクスを通じてエージェントメモリをベンチマークする。
データ管理の観点からエージェントメモリの系統的研究を行った。
論文 参考訳（メタデータ） (2026-06-23T16:34:55Z) - Exploring Cross-Scenario Generality of Agentic Memory Systems: Diagnostics and a Strong Baseline [39.29817461808327]
検索問題に対する8つのメモリシステムとエージェントハーネスを再検討する。
自動管理ツールインタフェースを備えたエージェントメモリハーネスであるAutoMEMにおいて、この知見をインスタンス化する。
論文 参考訳（メタデータ） (2026-06-03T00:42:49Z) - MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - 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) - ByteRover: Agent-Native Memory Through LLM-Curated Hierarchical Context [7.906778920268216]
本稿では,メモリパイプラインを反転させるエージェントネイティブメモリアーキテクチャByteRoverを提案する。
ByteRoverは、ドメイン、トピック、サブトピック、エントリとして整理されたファイルベースの知識グラフである階層的コンテキストツリーにおける知識を表す。
LoCoMoとLongMemEvalの実験は、ByteRoverがLoCoMoの最先端の精度とLongMemEvalの競争結果を達成することを示した。
論文 参考訳（メタデータ） (2026-04-02T04:15:42Z) - MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文 参考訳（メタデータ） (2026-03-19T10:15:59Z) - 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) - Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。
既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。
本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文 参考訳（メタデータ） (2026-01-05T08:24:16Z) - Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。
本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。
次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
論文 参考訳（メタデータ） (2025-05-01T17:31:33Z) - A-MEM: Agentic Memory for LLM Agents [42.50876509391843]
大規模言語モデル(LLM)エージェントは、歴史的経験を活用するためにメモリシステムを必要とする。
現在のメモリシステムは基本的なストレージと検索を可能にするが、洗練されたメモリ構造は欠如している。
本稿では, LLMエージェントに対して, エージェント方式で動的に記憶を整理できる新しいエージェントメモリシステムを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:36:14Z)
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。