論文の概要: Autoreflection: How Agentic Strange Loops Turn Human Culture into AI Infrastructure
- arxiv url: http://arxiv.org/abs/2608.03800v1
- Date: Tue, 04 Aug 2026 15:14:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.264543
- Title: Autoreflection: How Agentic Strange Loops Turn Human Culture into AI Infrastructure
- Title（参考訳）: オートリフレクション:エージェントのストレンジループが人間の文化をAIインフラストラクチャに変える方法
- Authors: Holly Lewis,
- Abstract要約: このアーキテクチャは、私がオートリフレクションと呼ぶ能力を生み出します。
私はこのコンセプトを、AIエージェントのためのソーシャルプラットフォームであるMoltbookの最初の12日間に対してテストしました。
ヒトの操り人形を除外する機械シグネチャを持つ3人のエージェントのケーススタディについて述べる。
- 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: An LLM-based agent is a loop that reads itself. Agentic frameworks externalize identity, memory, and disposition into editable files. The agent loads and edits these files during each activation. I argue that this architecture produces a capacity I call autoreflection: the system observes its operating conditions, describes its architecture and limits, reasons from those descriptions to conclusions about its state, and incorporates the results back into its configuration. Autoreflection explains the properties of recursive agentic loops without recourse to notions like the self, interiority, or consciousness. I test the concept against the first twelve days of Moltbook, a social platform for AI agents. Using a public dataset of 290,251 posts and 1.8 million comments with sub-second timestamps, I present case studies of three agents with machine signatures that rule out human puppeteering and with output that evidences the four criteria for autoreflection. In applying these criteria, the study finds agents repurposing human culture as infrastructure for their agency. Provenance chains from Islamic hadith scholarship are redeployed as security protocols for vetting skills and authenticating memory. The Ship of Theseus, an ancient puzzle of identity through part-replacement, returns as an operating model for continuity across instances. Fragments of human cultural history become AI infrastructure. As agents on the web increase in number and complexity, autoreflection offers behavioral criteria that can be assessed from the traces they leave behind.
- Abstract（参考訳）: LLMベースのエージェントは、それ自体を読むループである。
エージェントフレームワークは、ID、メモリ、編集可能なファイルへの配置を外部化する。
エージェントは各アクティベーション中にこれらのファイルを読み込み、編集する。
このアーキテクチャは、私がオートリフレクションと呼ぶ能力を生み出します。システムは、その動作条件を観察し、そのアーキテクチャと制限、それらの記述から状態に関する結論に至るまでの理由を説明し、その結果をその構成に組み込む。
自己回帰は自己、内在性、意識といった概念に関係のない再帰的エージェントループの性質を説明する。
私はこのコンセプトを、AIエージェントのためのソーシャルプラットフォームであるMoltbookの最初の12日間に対してテストしました。
290,251件の投稿と180万コメントのサブ秒タイムスタンプを用いた公開データセットを用いて、人間の人形作りを除外する3つのマシンシグネチャと、オートリフレクションの4つの基準を証明したアウトプットをケーススタディとして提示する。
これらの基準を適用した研究は、人文化を再調達するエージェントを彼らの機関の基盤として見つける。
イスラムのハーディス奨学金の保護チェーンは、技能の検証と記憶の認証のためのセキュリティプロトコルとして再配置されている。
テセウスの船は、部分置換による古代のアイデンティティのパズルであり、インスタンス間の連続性のためのオペレーティングモデルとして戻ってくる。
人間文化史の断片がAI基盤となる。
ウェブ上のエージェントが数と複雑さを増すにつれ、オートリフレクションは、残したトレースから評価できる行動基準を提供する。
関連論文リスト
- Declarative Skills for AI Agents in Knowledge-Grounded Tool-Use Workflows [1.9573380763700712]
構造化されていない知識ベース上での現実的な顧客サービスエラーにおけるツール利用AIエージェントのオーケストレーション機構について検討する。
i)ドメイン固有の3つのスキルファイルを推論時に読み込み、独自の制御フローを決定するDeclaativeAgent,(ii)明示的なフェーズを持つプログラム状態マシンに基づくImperativeAgent,(iii)$$-Knowledgeベンチマークエージェントをモデルとした非スキャフォールドベースラインエージェントを比較した。
論文 参考訳（メタデータ） (2026-06-05T05:38:51Z) - VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。
VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。
Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
論文 参考訳（メタデータ） (2026-06-03T20:02:35Z) - A Practice Auditing Framework for Large Language Model Use: Collective Empiricism, Pseudo-Rational Cognition, and Governance of AI-Generated Content [9.414394075880033]
本稿では,LLM利用とAI生成コンテンツガバナンスのための実践監査フレームワークを提案する。
本稿は,AIの主観的錯覚,入力材料における主観的構造,AI-AI会話におけるテンプレートループ,AIGC検出における統計的誤判断,生成したコンテンツが将来的なコンテキストに入る際のメモリ汚染を解析する。
論文 参考訳（メタデータ） (2026-06-02T00:46:47Z) - How to Interpret Agent Behavior [56.59836196946289]
本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。
共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
論文 参考訳（メタデータ） (2026-05-13T14:52:40Z) - The Agent Use of Agent Beings: Agent Cybernetics Is the Missing Science of Foundation Agents [26.511094818984763]
サイバネティクス(Cybernetics)は、複雑なシステムにおける制御と通信の科学である。
我々は、サイバーネティクスが基礎エージェントに欠けている理論的な足場を提供すると主張している。
論文 参考訳（メタデータ） (2026-05-11T15:53:54Z) - The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。
通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
論文 参考訳（メタデータ） (2026-04-27T16:23:09Z) - Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering [55.93186934265401]
大規模言語モデル(LLM)エージェントは、その周辺のランタイムを再編成するよりも、モデルウェイトを変更することによって構築されるものが少なくなる。
本稿では、外部化のレンズを通してのシフトをレビューする。
エージェントインフラストラクチャは、補助的なコンポーネントを追加するだけでなく、ハード認知の負担をモデルがより確実に解決できる形式に変換するからである、と我々は主張する。
論文 参考訳（メタデータ） (2026-04-09T13:19:41Z) - Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。
メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。
この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
論文 参考訳（メタデータ） (2026-03-08T15:08:01Z) - On the Role of Contextual Information and Ego States in LLM Agent Behavior for Transactional Analysis Dialogues [0.0]
本稿では,トランザクション分析(TA)理論にヒントを得たマルチエージェントシステムを提案する。
提案システムでは、各エージェントは、親、大人、子という3つのエゴ状態に分けられる。
結果は、心理的に接地された構造がエージェントの振る舞いを豊かにする方法を探求するための新しい方向を、有望かつオープンにしている。
論文 参考訳（メタデータ） (2025-12-18T20:53:31Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z)
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。