論文の概要: Intent-Driven Situation Tracking for User-Centric Multi-Turn Agents
- arxiv url: http://arxiv.org/abs/2608.15755v1
- Date: Sun, 16 Aug 2026 14:14:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.41362
- Title: Intent-Driven Situation Tracking for User-Centric Multi-Turn Agents
- Title（参考訳）: ユーザ中心型マルチスレッドエージェントのインテント駆動型状況追跡
- Abstract要約: Intent-Driven situation states (IDSS) は、対話と並行して明示的な状況を維持する訓練不要のフレームワークである。
IDSSパースツールは、証明可能なエンティティと属性に返却され、ユーザの意図、必要な変数、制約、実行状態を追跡し、アクション実行可能性の更新のためにタスク制約に新しい事実を伝達する。
- 参考スコア（独自算出の注目度）: 4.138547191663224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User-centric multi-turn agents must act on an evolving task situation shaped by changing user intents, accumulated tool-grounded facts, missing information, and execution constraints. Existing context-management methods improve the use of past interaction history, but rarely maintain an explicit situation state that separates grounded facts from task-state judgments. As a result, agents often need to infer fine-grained attributes, task dependencies, and constraint satisfaction implicitly from dialogue traces. We propose Intent-Driven Situation States (IDSS), a training-free framework that maintains an explicit situation state alongside the dialogue. IDSS parses tool returns into provenance-aware entities and attributes, tracks user intents, required variables, constraints, and execution status, and propagates new facts to task constraints to update action executability. This allows agents to avoid infeasible actions, advance dependent goals, and reuse relevant information without repeatedly searching raw history. Experiments on three interactive benchmarks across eight LLMs show that IDSS improves task completion, preference elicitation, and interaction efficiency, with clear gains on tasks involving multi-entity coordination, evolving user constraints, and constraint-aware replanning. Ablations and error analyses show that these improvements come from the interaction between fact persistence, intent-centered state tracking, and constraint modeling. These results suggest that explicit situation tracking offers an effective alternative to history-centric context management for reliable user-centric multi-turn agents.
- Abstract（参考訳）: ユーザ中心のマルチターンエージェントは、ユーザ意図の変更、ツール基底の事実の蓄積、情報不足、実行制約によって形成される、進化するタスク状況で行動しなければならない。
既存の文脈管理手法は過去のインタラクション履歴の使用を改善するが、根拠となる事実をタスク状態の判断から分離する明確な状況を維持することは滅多にない。
その結果、エージェントは対話トレースから微粒な属性、タスク依存、制約満足度を暗黙的に推測する必要がある。
Intent-Driven situation states (IDSS) は、対話と並行して明示的な状況を維持する訓練不要のフレームワークである。
IDSSパースツールは、証明可能なエンティティと属性に返却され、ユーザの意図、必要な変数、制約、実行状態を追跡し、アクション実行可能性の更新のためにタスク制約に新しい事実を伝達する。
これによりエージェントは、生の履歴を何度も検索することなく、実現不可能な行動を避け、依存する目標を前進させ、関連する情報を再利用することができる。
8つのLCMにわたる3つのインタラクティブなベンチマーク実験により、IDSSはタスクの完了、選好エレクテーション、インタラクション効率を改善し、マルチエンタリティ調整、ユーザ制約の進化、制約対応のリプランニングを含むタスクに明確な利益をもたらすことが示された。
アブレーションとエラー分析は、これらの改善が、事実の持続性、意図中心の状態追跡、制約モデリングの間の相互作用から生じることを示している。
これらの結果は、明示的な状況追跡が、信頼性のあるユーザ中心のマルチターンエージェントに対する履歴中心のコンテキスト管理の効果的な代替となることを示唆している。
関連論文リスト
- Agent-Integrated Software: Interaction Contracts and Continuous Assurance [14.374598285839275]
信頼性のある統合には、タスクレベルのインタラクションとアプリケーションの振る舞いを明確に対応する必要があります。
本稿では,エージェント・インテグレート・ソフトウェア(AIS)を,従来のコア,ダイレクトインタラクション,組込みエージェントを組み合わせたソフトウェアパターンとして紹介する。
この視点は、アプリケーションの抽象化、開発サポート、制御された実行、品質評価、そして人間の監督にまたがる研究課題を発展させます。
論文 参考訳（メタデータ） (2026-09-10T11:17:19Z) - S3Gym: Can LLMs Turn Self-Testing and Self-Judging into Self-Improvement? [66.17176838165994]
大規模言語モデル(LLM)は、ますます外部環境と相互作用し、かなりの行動経験を蓄積する。
エージェントがその振る舞いを積極的にテストし、得られた経験を判断し、その経験を使って将来の意思決定を改善することができるかどうかは不明だ。
LLM自己改善評価のための対話型ベンチマークである textbfStextsuperscript3Gym を導入する。
論文 参考訳（メタデータ） (2026-08-31T17:05:41Z) - ScrambleToolBench: Agents Search Exhaustively Even When Their Own Map Points to the Next Step [74.83535434786145]
ScrambleToolBenchは,行動推論の分離を目的とした対話型端末ベンチマークである。
このベンチマークでは、エージェントがテストとエラーのインタラクションを通じて、隠されたツールの振る舞いを明らかにする必要がある。
現状の言語モデルに対する我々の評価は、初期発見が成功しても頑健な適応にはならないことを示している。
論文 参考訳（メタデータ） (2026-08-03T15:07:46Z) - From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions [63.13827503828231]
我々は、長期ユーザーインタラクションにおけるパーソナライズされたプロアクティブなエージェント動作を評価するためのベンチマークであるVitaBench 2.0を紹介する。
結果は、最先端のモデルでさえ、現実世界のパーソナライゼーションは非常に困難であることを示している。
論文 参考訳（メタデータ） (2026-05-26T15:07:38Z) - AutoAgent: Evolving Cognition and Elastic Memory Orchestration for Adaptive Agents [26.380991138110925]
AutoAgentは、認知の進化、オンザフライでのコンテキスト決定、弾力性のあるメモリオーケストレーションに基づく、自己進化型のマルチエージェントフレームワークである。
各エージェントは、ツール、自己能力、同僚の専門知識、タスク知識に関する構造化されたプロンプトレベルの認知を維持する。
AutoAgentは、静的およびメモリ拡張ベースラインに対するタスク成功、ツール使用効率、共同ロバスト性を一貫して改善する。
論文 参考訳（メタデータ） (2026-03-10T14:23:49Z) - 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) - Trajectory2Task: Training Robust Tool-Calling Agents with Synthesized Yet Verifiable Data for Complex User Intents [52.30603055218294]
Trajectory2Taskは,3つの現実的なユーザシナリオの下で大規模なツール使用を研究するための,検証可能なデータ生成パイプラインである。
有効なツールコールトラジェクトリを、制御されたインテント適応を伴うユーザ向けタスクに変換する。
我々は、生成された複雑なユーザシナリオタスクに対して、7つの最先端のLCMをベンチマークし、頻繁な障害を観察する。
論文 参考訳（メタデータ） (2026-01-28T00:36:13Z) - Long-term Task-oriented Agent: Proactive Long-term Intent Maintenance in Dynamic Environments [8.937298475124484]
現在の大規模言語モデルエージェントはリアクティブパラダイムの下で動作し、短期セッション内の即時ユーザクエリにのみ応答する。
本稿では,比較的静的なユーザニーズと動的環境とのギャップを埋めることのできる,アクティブなタスク指向エージェントのための新しいインタラクションパラダイムを提案する。
動的環境下で複雑なマルチターンダイアログデータを構築するための高品質なデータ合成パイプラインを提案する。
論文 参考訳（メタデータ） (2026-01-14T11:15:40Z) - Towards Rehearsal-Free Continual Relation Extraction: Capturing Within-Task Variance with Adaptive Prompting [2.818102173042532]
WAVE++は、プレフィックスチューニングとエキスパートの混在にインスパイアされた、新しいアプローチである。
タスク固有のプロンプトプールを導入し、多様なタスクの柔軟性と適応性を高めます。
我々は、よりリッチでグローバルなコンテキストを提供するラベル記述を組み込み、モデルが異なる関係をよりよく区別できるようにする。
論文 参考訳（メタデータ） (2025-05-20T05:22:17Z) - Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。
不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。
対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
論文 参考訳（メタデータ） (2025-02-18T17:12:26Z)
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。