論文の概要: Shared Organizational Memory for Enterprise Coding Agents: System Design and Deployment Snapshot
- arxiv url: http://arxiv.org/abs/2608.00122v1
- Date: Fri, 31 Jul 2026 11:45:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 15:29:57.552732
- Title: Shared Organizational Memory for Enterprise Coding Agents: System Design and Deployment Snapshot
- Title（参考訳）: エンタープライズコーディングエージェントのための共有組織記憶:システム設計とデプロイスナップショット
- Abstract要約: 既存の知識インターフェースは、格納されたリソースを公開しているが、それでも、再利用に値する教訓を認識し、明示的に記録するエージェントに依存している。
コーディング作業のプラットフォームレベル部分をキャプチャする共有組織メモリシステムの運用が進行中であることを報告します。
コントリビュータの承認を得てタスク隣接のエクスペリエンスを収集し、再利用可能な質問応答メモリにキュレーションし、明らかなセキュリティとプライバシのリスクをゲートし、将来のエージェントのメモリを取得する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enterprise coding agents rely on tools and retrieval, yet enterprise knowledge often remains outside public training data and formal documentation: internal DSLs, proprietary platforms, local conventions, recent fixes, and tacit workflows. Existing knowledge interfaces expose stored resources but still depend on agents recognizing and explicitly recording lessons worth reusing, disconnecting capture from the coding workflow and leaving development experience repeatedly rediscovered. We report an ongoing production deployment of a shared organizational memory system that makes capture a platform-level part of coding work: it collects task-adjacent experience with contributor approval, curates it into reusable question-answer memories, gates obvious security and privacy risks, and retrieves memories for future agents. This short paper describes the deployed lifecycle and an operational snapshot. Effects on retrieval and coding tasks remain under evaluation.
- Abstract（参考訳）: エンタープライズコーディングエージェントはツールや検索に依存していますが、企業知識は、内部DSL、プロプライエタリなプラットフォーム、ローカルコンベンション、最近の修正、暗黙のワークフローといった、公開トレーニングデータや正式なドキュメントの外にあります。
既存の知識インターフェースは、格納されたリソースを公開するが、それでもエージェントは、再利用する価値のある教訓を認識し、明示的に記録し、コーディングワークフローからキャプチャを切断し、開発経験を何度も再発見する。
コーディング作業のプラットフォームレベルの部分をキャプチャし、コントリビュータの承認を得てタスク隣接体験を収集し、再利用可能な質問応答記憶にキュレーションし、明らかなセキュリティとプライバシのリスクをゲートし、将来のエージェントのメモリを回収する。
本稿では、デプロイライフサイクルと運用スナップショットについて説明する。
検索および符号化作業への影響は評価中である。
関連論文リスト
- PRAXIS: Graph-Grounded Tacit Knowledge for Domain Code Generation [61.752289169878566]
ドメイン固有のビジネスルール、インターフェース契約、開発者が実践を通じて内部化するが文書化しない運用規約を含む、エージェントの暗黙の知識の欠如の根本原因を特定します。
この知識は、ドメイン・コードの下に深く埋もれており、コード・エンティティとその依存関係にまたがっており、それを持たないエージェントには見えません。
本稿では,ドメインコード生成のための暗黙的知識の抽出,表現,再利用を可能にするフレームワークであるPRAXISを提案する。
論文 参考訳（メタデータ） (2026-08-20T08:28:28Z) - GateMem: Benchmarking Memory Governance in Multi-Principal Shared-Memory Agents [61.50171793000712]
GateMemはマルチプリンシパル共有メモリエージェントのベンチマークである。
医療、事務、教育、家庭の領域にまたがる。
強力なユーティリティ、堅牢なアクセス制御、信頼性のある忘れを同時に実現する方法は存在しない。
論文 参考訳（メタデータ） (2026-06-17T09:06:15Z) - Remember Your Trace: Memory-Guided Long-Horizon Agentic Framework for Consistent and Hierarchical Repository-Level Code Documentation [27.40384564559557]
我々は、リポジトリ全体にまたがる単一の統合コンテキスト内でドキュメントを生成するフレームワークであるMemDocAgentを提案する。
MemDocAgentは、オープンソースベースラインとクローズドソースベースラインの両方で最高のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-14T08:35:20Z) - LongMemEval-V2: Evaluating Long-Term Agent Memory Toward Experienced Colleagues [80.29362825271768]
LongMemEval-V2は、メモリシステムが、カスタマイズされた環境で知識のある同僚になるために必要な経験を得るのに役立つかどうかを評価するためのベンチマークである。
LME-V2には、Webエージェントの5つのコアメモリ能力をカバーする451の質問が含まれている。
AgentRunbook-Rは生の状態観察,イベント,戦略ノートのための知識プールを備えた,効率的なRAGベースのメモリであり,AgentRunbook-Cはトラジェクトリをファイルとして格納し,コードエージェントを起動して,拡張サンドボックスに証拠を収集する。
論文 参考訳（メタデータ） (2026-05-12T17:59:34Z) - Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。
4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
論文 参考訳（メタデータ） (2026-05-10T04:31:23Z) - 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) - Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。
10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
論文 参考訳（メタデータ） (2025-11-25T21:08:07Z) - Improving Code Localization with Repository Memory [33.423769985220005]
本稿では,最近の過去のコミットや関連問題を含む非パラメトリックメモリからエージェントを検索するツールを紹介する。
このようなメモリの拡張により,最先端のローカライゼーションフレームワークであるLocAgentが大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-10-01T15:10:15Z) - MemOS: A Memory OS for AI System [116.87568350346537]
大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。
既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。
MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
論文 参考訳（メタデータ） (2025-07-04T17:21:46Z)
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。