論文の概要: Agent Zero Memory: Provenance-Aware Long-Term Memory for LLM Agents

• arxiv url: http://arxiv.org/abs/2608.29606v1
• Date: Sun, 30 Aug 2026 06:55:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.018067
• Title: Agent Zero Memory: Provenance-Aware Long-Term Memory for LLM Agents
• Title（参考訳）: エージェントゼロメモリ:LDMエージェントの長期記憶
• Abstract要約: Agent Zero Memory(エージェントゼロメモリ)は、長期記憶システムである。 ユーザの会話、ファイル、接続されたソースを3つの並列メモリシステムに消去する。
• 参考スコア（独自算出の注目度）: 3.6666917625778193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents need durable, faithful memory of everything a user or organization has said and stored, yet most memory systems commit to a single organizing structure (a fact store, a vector index, or a knowledge graph) and inherit its blind spots. We present Agent Zero Memory, a provenance-aware long-term memory system that distils a user's conversations, files, and connected sources into three parallel memory systems, each capturing a different facet of the same history: an episodic Memory Events timeline that makes when and what changed first-class, an associative entity-event knowledge graph that links people and projects across sessions, and a semantic, curated, citation-locked Hierarchical Documentary Memory (HDM) of durable facts. A retrieval turn runs an intent gate (so self-contained turns add no latency), a source router, and three concurrent agentic searches, one per system, each a tool-using loop over hybrid (embedding + lexical) search under agent-controlled filters; their grounded, cited answers are integrated into one answer with a single confidence. We formalize the reading discipline: every learned item is a provenanced item carrying its origin, timestamp, and evidence pointer, and every answer is read under a citation lock, so it may cite only evidence its reader actually opened; fabrication is structurally excluded and the system abstains rather than guesses. On two public benchmarks the system sets a new state of the art: 95.60% on LongMemEval and 93.60% on LoCoMo, improving over the strongest prior systems by +0.73 and +1.10 points. A controlled study across eight backbone LLMs characterizes the accuracy-cost-latency frontier: accuracy varies by only 3.4 points while per-query cost varies by ~30x, with near-state-of-the-art quality at up to 20x lower cost per query, the signature of memory-driven, rather than model-driven, quality.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、ユーザや組織が言ったこと全てを永続的で忠実に記憶する必要があるが、ほとんどのメモリシステムは単一の組織構造(ファクトストア、ベクトルインデックス、知識グラフ)をコミットし、その盲点を継承する。 我々は、Agent Zero Memoryという、ユーザの会話やファイル、接続されたソースを3つの並列メモリシステムに切り離し、それぞれが同じ歴史の異なる側面を捉えている。 検索ターンは、インテントゲート、ソースルータ、および3つの同時エージェントサーチを実行し、1つのシステムごとに、エージェント制御されたフィルタ下でのハイブリッド(埋め込み+語彙)サーチによるツール使用ループを実行する。 学習項目は、その起源、タイムスタンプ、エビデンスポインターを含む証明された項目であり、すべての回答は、引用ロックの下で読み込まれるので、読者が実際に開いた証拠のみを引用することができる。 2つの公開ベンチマークでは、LongMemEvalで95.60%、LoCoMoで93.60%という新しい最先端のシステムが設定され、以前の最強のシステムは+0.73と+1.10ポイントに改善された。 精度は3.4ポイント程度しか変化しないが、クエリ毎のコストは30倍程度であり、クエリあたり20倍のコストで、モデル駆動ではなくメモリ駆動のシグネチャである。

関連論文リスト

• MemFuse: Multi-Source Memory Fusion from Fragmented Observations [32.62990579442196]
  マルチソースメモリ融合のベンチマークである**MemFuseBench*を紹介します。 MemFuseBenchはScene-to-Sensorパイプラインで構築されており、制御可能なシナリオをソースタグ付き観測、エビデンス付き質問、敵の注意散らしに合成する。 我々は,イベント層原子メモリにおけるソースレベルの証拠を保存し,関連する原子イベントを因果グラフ内のクラスタ層融合メモリに整理する構造化メモリシステム**MemFuse*を提案する。
  論文  参考訳（メタデータ） (2026-08-19T09:04:07Z)
• Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability [49.415740364852105]
  デプロイされたエージェントは、エージェント自身がジェネリックファイルツールを通じて読み込み、書き込み、再編成するマークダウンファイルのディレクトリツリーとして、長期記憶をますます保持する。 以前のシステムではメモリ表現を設計し、それらを検索し、デフォルトの2つの動作仮定を未検証のまま残した。 LLMエージェントのためのチャンクベースメモリの最初の体系的探索を行う。
  論文  参考訳（メタデータ） (2026-07-29T08:59:43Z)
• Ground Truth First: A Longitudinal Evaluation Instrument for Agent Memory, and the Tenure Crossover in Memory-Architecture Rankings [0.0]
  シードライフスクリプトサンプリング器は、テキストが存在する前に、有効間隔のボラティリティクラスとソースチャネルの事実を出力する。 検証者は、すべての植えられた事実を確認し、質問はスクリプトから機械的にインスタンス化される。 人工的でフィクション化されたコーパスは、私たちが調査したベンチマークから欠落している特徴を埋め込んでいる。
  論文  参考訳（メタデータ） (2026-07-24T04:19:45Z)
• Homer: Understanding Long-form Videos with Hierarchical Memory and Agentic Reasoning [77.7531245219403]
  textscHomerは階層型オンラインメモリ探索および推論フレームワークである。 textscHomerの記憶は、生の知覚から繰り返される実体、明示的な時間的・因果関係と結びついた出来事まで、長いビデオのマルチスケール構造を反映している。 textscHomerは、M3-Bench-robot、M3-Bench-web、Video-MME-Longで$+5.5$、$+10.8$、$+4.4$ポイントで前のベストエージェントメソッドより優れている。
  論文  参考訳（メタデータ） (2026-07-01T05:53:09Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• 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)
• 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)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)
• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)

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。