論文の概要: Agents in the Large: Perception-Centered Architecture for Persistent Agents

• arxiv url: http://arxiv.org/abs/2608.30478v1
• Date: Mon, 31 Aug 2026 09:04:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.326012
• Title: Agents in the Large: Perception-Centered Architecture for Persistent Agents
• Title（参考訳）: 大規模エージェント:永続エージェントの知覚中心型アーキテクチャ
• Abstract要約: 永続エージェント(Pera)のための知覚中心型アーキテクチャを提案する。 Pera氏は、サービス関連信号を継続的に知覚する知覚と制御コンポーネントを中心に組織された永続的なエージェントについて説明する。 私たちはPeraを使って、最近の作業を振り返りに整理し、詳細なケーススタディを調べ、より有能な永続的なエージェントを構築するための前向きな洞察を提供します。
• 参考スコア（独自算出の注目度）: 66.30987129595137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive language agents have achieved substantial progress by equipping language models with memory, tools, and decision-making procedures, enabling agents to reason and act in interactive environments. Existing frameworks largely cast these agents as systems for solving user-specified, bounded tasks. An increasingly important goal is for language agents to provide persistent assistance in long-lived settings where user needs, context, and service procedures persist and change, and to remain useful across the broad range of tasks that arise over time. Yet we still lack a framework to characterize persistent AI agents, organize existing work, and guide future development. To this end, we propose a Perception-Centered Architecture for Persistent Agents (Pera). Pera describes a persistent agent organized around perception and control components that continually perceive service-relevant signals from episodic task executions, internal context, and changes in the surrounding environment, and use these signals to construct lifecycle tasks. These tasks drive the ongoing operation and adaptation of the agent's service procedures. We use Pera to retrospectively organize recent work, examine a detailed case study, and offer forward-looking insights for building more capable persistent agents. Just as software engineering moved from programming in the small to programming in the large, Pera frames the evolution of language agents as an analogous architectural transition toward long-lived, adaptive intelligence systems.
• Abstract（参考訳）: 認知言語エージェントは、メモリ、ツール、意思決定手順を言語モデルに組み込むことで、対話的な環境でエージェントを推論し行動させることで、かなりの進歩を遂げた。 既存のフレームワークは、これらのエージェントを、ユーザが指定した、有界なタスクを解くためのシステムとして主に採用している。 ますます重要な目標である言語エージェントは、ユーザニーズ、コンテキスト、サービスプロシージャが持続し、変更される長時間の環境で永続的な支援を提供し、時間とともに発生する幅広いタスクで有用であることである。 しかし、永続的なAIエージェントを特徴づけ、既存の作業を整理し、将来の開発を導くためのフレームワークがまだ欠けている。 そこで我々は,Pera(Persistent Agents, Persistent Agents)の知覚中心型アーキテクチャを提案する。 Pera氏は、認識とコントロールコンポーネントを中心に組織された永続的なエージェントについて説明している。これは、エピソードなタスクの実行、内部コンテキスト、環境の変化からサービス関連信号を継続的に知覚し、これらのシグナルを使用してライフサイクルタスクを構築する。 これらのタスクは、エージェントのサービス手順の継続的な運用と適応を促進する。 私たちはPeraを使って、最近の作業を振り返りに整理し、詳細なケーススタディを調べ、より有能な永続的なエージェントを構築するための先見的な洞察を提供します。 ソフトウェアエンジニアリングが小規模のプログラミングから大規模のプログラミングへと移行したのと同じように、Peraは言語エージェントの進化を、長寿命で適応的なインテリジェンスシステムへの類似したアーキテクチャ移行として捉えている。

関連論文リスト

• Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence [115.91847478507736]
  LLMは言語ジェネレータから、複雑な長距離タスクが可能な自律エージェントへと進化してきた。 多くのタスクにはヘテロジニアスな専門知識、相互依存サブタスク、並列実行、独立検証、永続状態が必要である。 私たちはこれをシステムインテリジェンス(System Intelligence)と呼び、複数のインテリジェントなコンポーネントを一貫した適応的な全体へと整理し、コーディネートするエージェントシステムの能力である。
  論文  参考訳（メタデータ） (2026-08-21T14:27:57Z)
• A Comprehensive Survey on Agent Skills: Taxonomy, Techniques, and Applications [18.01291032624805]
  大きな言語モデル(LLM)ベースのエージェントは、複雑なタスクを自動化するための有望なパラダイムとして、ツール、メモリ、構造化された相互作用を推論し、計画し、行動する。 しかし、エージェントがオープンエンドの現実世界のデプロイメントに向かっていくにつれ、すべてのタスクに対するオフスクラッチ推論と低レベルのツールコールが、ますます非効率になり、エラーが発生し、メンテナンスが困難になる。 本研究は,タスク固有の制約の下で,ツール,メモリ,ランタイムコンテキストを協調する再利用可能な手続き的アーティファクトとして定義する。
  論文  参考訳（メタデータ） (2026-05-08T07:10:26Z)
• AgentProg: Empowering Long-Horizon GUI Agents with Program-Guided Context Management [24.465443389008055]
  AgentProgはエージェントコンテキスト管理のためのプログラム誘導型アプローチである。 インタラクション履歴を変数と制御フローを備えたプログラムとして再構成する。 AndroidWorldと拡張ロングホライゾンタスクスイートの実験では、AgentProgが最先端の成功率を達成したことが示されています。
  論文  参考訳（メタデータ） (2025-12-11T07:37:38Z)
• An Empirical Study of Agent Developer Practices in AI Agent Frameworks [59.862193600499914]
  大規模言語モデル(LLM)の台頭はエージェントへの関心の高まりを引き起こし、エージェントフレームワークの急速な成長につながった。 エージェントフレームワークが広く使われているにもかかわらず、それらの実践的応用とエージェント開発プロセスにどのように影響するかは未解明のままである。 開発者の80%以上が、特定の開発要件に最も適合するフレームワークを特定するのに苦労していると報告している。
  論文  参考訳（メタデータ） (2025-12-01T17:52:15Z)
• AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications [95.42093979627703]
  AgentScopeは柔軟で効率的なツールベースのエージェント環境インタラクションをサポートする。 エージェントの動作をReActパラダイムに基盤として,エージェントレベルの高度なインフラストラクチャを提供します。 AgentScopeには、開発者フレンドリーなエクスペリエンスのための堅牢なエンジニアリングサポートも含まれている。
  論文  参考訳（メタデータ） (2025-08-22T10:35:56Z)
• Agentic AI Process Observability: Discovering Behavioral Variability [2.273531916003657]
  大規模言語モデル(LLM)を利用するAIエージェントは、現代のソフトウェアシステムの中核的な構成要素になりつつある。 フレームワークは自然言語のプロンプトを使ってエージェントの設定を定義することができる。 このような設定では、エージェントの振る舞いは任意の入力に対して非決定論的である。
  論文  参考訳（メタデータ） (2025-05-26T15:26:07Z)
• Asynchronous Tool Usage for Real-Time Agents [61.3041983544042]
  並列処理とリアルタイムツール利用が可能な非同期AIエージェントを導入する。 私たちの重要な貢献は、エージェントの実行とプロンプトのためのイベント駆動有限状態マシンアーキテクチャです。 この研究は、流体とマルチタスクの相互作用が可能なAIエージェントを作成するための概念的なフレームワークと実践的なツールの両方を提示している。
  論文  参考訳（メタデータ） (2024-10-28T23:57:19Z)
• AgentScope: A Flexible yet Robust Multi-Agent Platform [66.64116117163755]
  AgentScopeは、メッセージ交換をコアコミュニケーションメカニズムとする、開発者中心のマルチエージェントプラットフォームである。 豊富な構文ツール、組み込みエージェントとサービス機能、アプリケーションのデモとユーティリティモニタのためのユーザフレンドリなインターフェース、ゼロコードプログラミングワークステーション、自動プロンプトチューニング機構により、開発とデプロイメントの両方の障壁は大幅に低下した。
  論文  参考訳（メタデータ） (2024-02-21T04:11:28Z)
• Cognitive Architectures for Language Agents [44.89258267600489]
  言語エージェントのための認知アーキテクチャ(CoALA)を提案する。 CoALAはモジュラーメモリコンポーネントを備えた言語エージェント、内部メモリと外部環境と相互作用する構造化されたアクションスペース、アクションを選択するための一般的な意思決定プロセスを記述する。 我々は、CoALAを使用して、振り返りによる調査と、最近の多くの作業の組織化を行い、より有能なエージェントに対する行動可能な方向を前向きに特定します。
  論文  参考訳（メタデータ） (2023-09-05T17:56:20Z)

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。