論文の概要: Context as an Environment: Programmatic Context Management for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2608.21690v1
• Date: Fri, 21 Aug 2026 23:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.406602
• Title: Context as an Environment: Programmatic Context Management for Long-Horizon Agents
• Title（参考訳）: 環境としてのコンテキスト:長期エージェントのためのプログラム的コンテキスト管理
• Abstract要約: それぞれのエージェントセッションを実行可能なセッション環境として扱うコンテキストマネージャであるScrollを提示する。 カーネルはモデルコールにまたがって型付けされ、ツール出力、検索された履歴、派生した状態が変数にバインドされる。
• 参考スコア（独自算出の注目度）: 47.21335299084925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents increasingly take on long-running tasks whose history grows far beyond a single model context window. Existing approaches compress earlier interactions or extract selected information into fixed memory representations, committing to what to preserve before future needs are known. We present Scroll, a context manager that treats each agent session as an executable Session Environment. The environment is backed by an append-only Event Log and a sandboxed, persistent Python kernel. The kernel maintains a typed namespace across model calls, allowing tool outputs, retrieved history, and derived state to be bound to variables rather than serialized into the prompt at each call. Model-written code searches, materializes, and transforms session state through exec; only explicitly printed projections enter the model's working view for the next call. Context management thus becomes a programming task that inherits the improving coding abilities of LLMs, while the Event Log preserves lossless historical ground truth. As the working view approaches its budget, stale spans are evicted but remain recoverable: an eviction index keeps compact landmarks tied to exact Event Log addresses, so that the agent navigates directly to evicted regions instead of searching the full log. With Qwen3.8-Max as the backbone, Scroll achieves 94.8% on LongMemEval_S; 73.1% on BEAM_10M, surpassing the best published memory system by 5.1 points; and 86.7% on LOCA_256K, exceeding the best published long-horizon agent by 37.4 points.
• Abstract（参考訳）: LLMエージェントは、単一のモデルコンテキストウィンドウを超えて、履歴が成長する長時間実行タスクにますます取り掛かる。 既存のアプローチは、以前のインタラクションを圧縮するか、選択した情報を固定されたメモリ表現に抽出し、将来のニーズが知られる前に保存すべきことをコミットする。 それぞれのエージェントセッションを実行可能なセッション環境として扱うコンテキストマネージャであるScrollを提示する。 この環境は、追加のみのEvent Logとサンドボックスで永続的なPythonカーネルによって支えられている。 カーネルはモデルコールにまたがる型付き名前空間を維持しており、ツール出力、検索された履歴、派生した状態は各呼び出しのプロンプトにシリアライズされるのではなく変数にバインドされる。 モデルで書かれたコード検索、実体化、実行者によるセッション状態変換は、明示的に印刷されたプロジェクションのみが次の呼び出しのためにモデルの動作ビューに入る。 従って、コンテキスト管理はLLMのコーディング能力を改善するためのプログラミングタスクとなり、Event Logは失われた歴史的な真実を保存します。 排除インデックスは、正確なEvent Logアドレスに関連付けられたコンパクトなランドマークを保持するため、エージェントは完全なログを検索せずに、削除されたリージョンに直接ナビゲートする。 Qwen3.8-Maxをバックボーンとし、LongMemEval_Sでは94.8%、BEAM_10Mでは73.1%、LOCA_256Kでは86.7%、LongMemEval_Sでは37.4ポイントである。

関連論文リスト

• ESAA-Conversational: An Event-Sourced Memory Layer for Continuity, Handoff, and Curation Across Heterogeneous LLM Coding Agents [0.0]
  本稿ではイベントソーシングエージェントアーキテクチャ(ESAA)のドメインであるemphA-contextalを提案する。 異種エージェントが直接エージェント対エージェントチャネルを使わずに共有ログを介して協調できることを示し、一方、公開ディストリビューションはプライベートな会話履歴を除外してプライバシを保存する。 570件の開発-ラブイベントによる自己参照ケーススタディでは、異種エージェントが直接エージェント対エージェントチャネルを使わずに共有ログを通じて協力できる一方で、公開ディストリビューションはプライベートな会話履歴を除外してプライバシを保存する。
  論文  参考訳（メタデータ） (2026-06-22T01:02:24Z)
• PACMS: Submodular Context Selection as a Pluggable Engine for LLM Agents [0.9134244356393664]
  LLMエージェントは、複数の方向から同時に満たされるコンテキストウィンドウ上で動作する。 一般的なメカニズムは、時として周期的な要約と組み合わせて、直流の切り離しである。 Retrieval拡張生成は、外部文書をプロンプトにフェッチするが、エージェントの空白表示されたコンテキストを仲裁しない。
  論文  参考訳（メタデータ） (2026-06-18T10:22:57Z)
• OpenRath: Session-Centered Runtime State for Agent Systems [2.9568259440852]
  OpenRathはマルチエージェント・マルチセッションシステムのためのPyTorchのようなプログラミングモデルである。 セッションはブランチ可能、検査可能、再生可能、バックエンド対応、構成可能である。 レポートは、プログラミングモデル、アーキテクチャ、監査されたマイルストーン、エビデンスプロトコルを提示する。
  論文  参考訳（メタデータ） (2026-06-17T15:19:19Z)
• TokenMizer: Graph-Structured Session Memory for Long-Horizon LLM Context Management [0.0]
  本稿では,大規模言語モデルのセッションを型付き知識グラフとしてモデル化するオープンソースのプロキシシステムであるTokenMizerを紹介する。 平均78トークン(範囲:42-124) - 評価ベースラインよりも2倍小さい再開ブロックを生成する。 全セッションで、TokenMizerはタスクリコールを51.0%、決定リコールを46.6%、ファイルリコールを58.7%としている。
  論文  参考訳（メタデータ） (2026-06-04T16:12:28Z)
• Scaling Self-Evolving Agents via Parametric Memory [69.96398842169002]
  既存のメモリ拡張LDMエージェントは、過去の経験をプロンプト空間にのみ保存する。 自己進化型パラメトリックメモリフレームワークである textttTMEM を導入する。 textttTMEMは、様々なモデルスケールで要約ベースのベースラインと検索ベースのベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-03T07:18:31Z)
• 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)
• ClawMark: A Living-World Benchmark for Multi-Turn, Multi-Day, Multimodal Coworker Agents [77.22389710754452]
  マルチターンマルチデイタスクを中心に構築された同僚エージェントのベンチマークであるベンチを紹介する。 現在のリリースには、13のプロのシナリオにわたる100のタスクが含まれており、5つのステートフルなサンドボックスサービスに対して実行される。 最強のモデルは75.8の重み付きスコアに達するが、最も厳格なタスク成功率は20.0%に過ぎず、部分的な進歩が一般的であることを示している。
  論文  参考訳（メタデータ） (2026-04-26T16:05:02Z)
• GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
  Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。 長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。 我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
  論文  参考訳（メタデータ） (2026-04-18T17:59:15Z)
• AgentSys: Secure and Dynamic LLM Agents Through Explicit Hierarchical Memory Management [47.49917373646469]
  既存の防御は肥大した記憶を与えられたまま扱い、回復力を維持することに集中する。 我々は、明示的なメモリ管理を通じて間接的なインジェクションを防御するフレームワークであるAgentSysを紹介する。
  論文  参考訳（メタデータ） (2026-02-07T06:28:51Z)

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。