論文の概要: Ontology-Grounded Project Memory for Coding Agents
- arxiv url: http://arxiv.org/abs/2608.13662v1
- Date: Thu, 13 Aug 2026 18:03:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.18066
- Title: Ontology-Grounded Project Memory for Coding Agents
- Title（参考訳）: プログラミングエージェントのためのオントロジーを取り巻くプロジェクトメモリ
- Abstract要約: MOOSEDevは、オントロジーで構築されたプロジェクトメモリをコーディングエージェントに提供するように設計されたシステムである。
このシステムは、エージェントが公開する知識グラフにおいて、アーキテクチャ上の決定、教訓、制約、合理性をキャプチャする。
我々はMOOSEDevを、835の型付きレコードの中立な公開コーパス上の実運用ベクトルメモリツールと比較した。
- 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: Coding agents have become the primary means of generating new code in many software projects, and the resulting velocity of changes makes keeping track of the reasons behind those changes challenging. This paper introduces MOOSEDev, a system designed to give coding agents structured, ontology-grounded project memory. The system captures architectural decisions, lessons, constraints, and rationales in a knowledge graph exposed to agents via a Model Context Protocol (MCP) interface. Records carry lifecycle status, provenance, and supersession links, queryable via MOOSE, a proprietary neurosymbolic engine that treats the symbolic layer as the primary reasoning substrate. We compared MOOSEDev against a production vector-memory tool on a neutral public corpus of 835 typed records. MOOSEDev returned the expected answer set essentially in full (0.98-1.00) on supersession, set-completeness, and negation questions, whereas the baseline's top-k retrieval surfaced between 6% and 27%. Conversely, relevance recall and token cost were largely equivalent between the two systems. We also describe a temporal commit-history bootstrap of our own codebase, a pre-registered live trial, and lessons learned.
- Abstract（参考訳）: 多くのソフトウェアプロジェクトで、コーディングエージェントが新しいコードを生成する主要な手段になっている。
本稿では,プログラムエージェントを構造化したオントロジー型プロジェクトメモリを提供するMOOSEDevを紹介する。
このシステムは、モデルコンテキストプロトコル(MCP)インターフェースを介してエージェントが公開する知識グラフにおいて、アーキテクチャ上の決定、レッスン、制約、合理性をキャプチャする。
レコードはライフサイクルステータス、証明、スーパーセッションリンクを持ち、シンボル層を主要な推論基質として扱うプロプライエタリなニューロシンボリックエンジンであるMOOSEを介してクエリできる。
我々は835の型付きレコードの中立な公開コーパス上で,MOOSEDevを実運用用ベクトルメモリツールと比較した。
MOOSEDev は、期待された回答セットを、本質的にはスーパーセッション、セット完全性、否定的な質問で完全な (0.98-1.00) で返したが、ベースラインのトップk検索は6%から27%の間だった。
逆に、関連リコールとトークンコストは2つのシステム間でほぼ同等であった。
また、私たちのコードベースの時間的コミット履歴ブートストラップ、登録済みのライブトライアル、学んだ教訓についても説明します。
関連論文リスト
- From Document Silos to Process Intelligence: A Multi-Layer Knowledge Graph for CMC Process Development [0.07646713951724012]
本稿では,プロセス開発文書の異種コーパスを問合せ可能な2層知識グラフに変換するモジュール型エージェントAIプラットフォームを提案する。
検索拡張世代(RAG)システムのプロプライエタリデータへの展開忠実度を測定する新しい3層プロトコルを用いて,語彙層の評価を行った。
論文 参考訳（メタデータ） (2026-09-10T12:59:04Z) - RepoReasoner: Evaluating Repository-Level Code Reasoning Ability of Long-Context Language Models [54.53236295237077]
リポジトリレベルのコード推論を評価するベンチマークであるRepoReasonerを紹介します。
出力予測は、ファイル間でのきめ細かいステートフルな実行推論を計測します。
Call Chain Predictionは、ノイズの多いコンテキスト下での高レベルのアーキテクチャ依存性の理解を評価する。
論文 参考訳（メタデータ） (2026-07-28T17:12:41Z) - Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。
Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。
LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-06-04T11:29:46Z) - NeuSymMS: A Hybrid Neuro-Symbolic Memory System for Persistent, Self-Curating LLM Agents [0.0]
NeuSymMSは、大規模な言語モデル(LLM)エージェントがセッション間でユーザについて学び、記憶し、推論することを可能にする。
システムは、知識を関係データベース管理システムに格納された主観的関係値のトリプルとして表現する。
論文 参考訳（メタデータ） (2026-05-17T18:48:19Z) - MemQ: Integrating Q-Learning into Self-Evolving Memory Agents over Provenance DAGs [47.66730296440261]
我々は,新たなメモリが生成されるたびに記憶が取得されたことを記録した証明DAGを通じて,クレジットを後方に伝播するMemQを紹介した。
6つのベンチマークで、MemQは、一般化評価とランタイム学習の6つすべてで最高成功率を達成した。
さらに、$と$がEC-MDP構造とどのように相互作用するかを研究し、パラメータ選択と将来の研究の原則的なガイダンスを提供する。
論文 参考訳（メタデータ） (2026-05-08T18:30:24Z) - Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents [0.4464102544889847]
メモリは、プロダクショングレードのエージェントシステムのデプロイにおいて、主要なアーキテクチャ上のボトルネックである。
Memantoは、エージェント人工知能のための普遍記憶層である。
メマントは、それぞれ89.8%と87.1%の精度を達成している。
論文 参考訳（メタデータ） (2026-04-23T21:34:36Z) - IQuest-Coder-V1 Technical Report [56.045533451719905]
IQuest-Coder-V1 シリーズ-(7B/14B/40B/40B-Loop) は、新しいコード大言語モデル(LLM)のファミリーである。
IQuest-Coder-V1は、コードインテリジェンスの重要な次元にわたる競合モデルの最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-17T16:15:31Z) - 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) - CodeMEM: AST-Guided Adaptive Memory for Repository-Level Iterative Code Generation [26.369972097308906]
インタラクションが進むにつれて、リポジトリのコンテキストを保存し、更新して、新たに検証された情報を統合する必要があります。
既存のメモリ管理アプローチは、将来性を示すが、自然言語中心の表現によって制限される。
本稿では,リポジトリレベルの反復コード生成に適したAST誘導動的メモリ管理システムであるCodeMEMを提案する。
論文 参考訳（メタデータ） (2026-01-06T09:57:19Z) - Log-Augmented Generation: Scaling Test-Time Reasoning with Reusable Computation [80.69067017594709]
大規模言語モデル(LLM)とそのエージェントモデルは、以前のタスクからの推論を維持するのに苦労する。
本稿では,従来の計算を直接再利用し,テスト時に過去のログから推論する新しいフレームワークであるLAGを提案する。
本手法は,ログを使用しない標準的なエージェントシステムよりも優れている。
論文 参考訳（メタデータ） (2025-05-20T14:14:38Z)
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。