論文の概要: ContextPipe: Database-Inspired Context Assembly for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2609.00749v1
• Date: Tue, 01 Sep 2026 05:27:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.40311
• Title: ContextPipe: Database-Inspired Context Assembly for Long-Horizon Agents
• Title（参考訳）: ContextPipe: データベースにインスパイアされた長期エージェントのためのコンテキストアセンブリ
• Authors: Peng Xu, Zuyu Zhang, Yuze Sun, Feng Tian, Long Wang, Chen Zhang,
• Abstract要約: ContextPipeのコンテキストは監査可能で、再生可能で、フェールアイソブラウザであることを示す。 SWE-bench Pro Quteサブセットを用いた予備評価では、追加のみのコンテキスト構築ポリシと比較して、ContextPipeは、KVキャッシュヒット比の低いコストで、トークン総量を31%削減し、LLMコールを23%削減し、レスポンスタイムを9%削減した。
• 参考スコア（独自算出の注目度）: 13.899082848026469
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Long-horizon large language model (LLM) agents require context assembly: the runtime must decide what to include in each prompt, in what order, and when to compact history under a hard context-window budget and a byte-sensitive prompt cache. In production agentic systems, this logic is scattered across prompt builders, ad hoc compaction routines, cache-break workarounds, and per-provider shims. We argue that context assembly is structurally isomorphic to query execution in a relational database: both execute under a hard budget, exploit a tiered cache, and leverage statistics. We adopt this discipline in ContextPipe: a five-phase pipeline (Plan Bind Optimize Execute Feedback) backed by a structured data-source catalog, a deterministic cache-aware optimizer, and an EXPLAIN ANALYZE trace. We show that context in ContextPipe is auditable, replayable, and failure-isolated. A preliminary evaluation using the SWE-bench Pro Qutebrowser subset shows that, compared with the append-only context construction policy, ContextPipe reduces total token volume by 31%, LLM calls by 23%, and response time by 9%, at the cost of a lower KV cache-hit ratio.
• Abstract（参考訳）: ランタイムは、それぞれのプロンプトに何を含めるか、どの順番で、いつ、ハードなコンテキストウインドウ予算とバイトセンシティブなプロンプトキャッシュの下で、歴史をコンパクト化するかを決めなければなりません。 プロダクションエージェントシステムでは、このロジックはプロンプトビルダー、アドホック圧縮ルーチン、キャッシュブレイク回避、プロジェクタシムに分散している。 我々は、コンテキストアセンブリがリレーショナルデータベースにおけるクエリ実行に構造的に同型であると主張する。 我々は、構造化データソースカタログ、決定論的キャッシュ認識最適化器、EXPLAIN ANALYZEトレースによる5相パイプライン(Plan Bind Optimize Execute Feedback)を採用。 ContextPipeのコンテキストは監査可能、再生可能、障害分離可能であることを示す。 SWE-bench Pro Qutebrowserサブセットを用いた予備評価では、追加のみのコンテキスト構築ポリシーと比較して、ContextPipeは、KVキャッシュヒット比の低いコストで、トークン総量を31%削減し、LLMコールを23%削減し、レスポンスタイムを9%削減した。

関連論文リスト

• ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning [78.94047086588078]
  長文推論のための LLM Harness として再帰的証拠を提案する。 長文推論を改善するための訓練不要推論法である。 128Kのコンテキスト長を持つ8つの長文データセットの実験は、エビデンスの利用を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-07-02T17:59:26Z)
• ContextWeaver: Selective and Dependency-Structured Memory Construction for LLM Agents [19.133532974091953]
  ContextWeaverは、大規模言語モデル(LLM)エージェントのための選択的で依存性構造化されたメモリフレームワークである。 エージェントのインタラクショントレースを推論ステップのグラフに整理し、将来のアクションに関連するコンテキストを選択する。 pass@1のスライディングウィンドウベースラインよりもパフォーマンスが向上し、推論ステップとトークンの使用が削減される。
  論文  参考訳（メタデータ） (2026-04-24T23:39:49Z)
• Agentic DAG-Orchestrated Planner Framework for Multi-Modal, Multi-Hop Question Answering in Hybrid Data Lakes [5.276278723196607]
  Agentic DAG-Orchestrated Transformer (A.DOT) Plannerはマルチモーダル・マルチホップ質問応答のためのフレームワークである。 A.DOTは、ユーザNLクエリを構造化および非構造化の両方にまたがる有向非巡回グラフ(DAG)実行計画にコンパイルする。 System Decomposes query into parallelizable sub-queries, includess schema-aware reasoning, and applied both structure and semantic validation。
  論文  参考訳（メタデータ） (2026-03-15T05:34:16Z)
• FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
  我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。 Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。 その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
  論文  参考訳（メタデータ） (2026-02-02T03:00:19Z)
• SimpleMem: Efficient Lifelong Memory for LLM Agents [73.74399447715052]
  セマンティックロスレス圧縮に基づく効率的なメモリフレームワークSimpleMemを紹介する。 本稿では,情報密度とトークン利用量の最大化を目的とした3段階パイプラインを提案する。 ベンチマークデータセットを用いた実験により,提案手法は精度,検索効率,推論コストにおいて,ベースラインアプローチを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-05T21:02:49Z)
• Making Prompts First-Class Citizens for Adaptive LLM Pipelines [46.59482681672941]
  当社のビジョンと,迅速な管理ギャップを埋める言語とランタイムであるSPEARの初期設計について説明する。 SPEARは、パイプライン内でプロンプトを構築し、適応する方法を管理するプロンプト代数を定義する。 プロンプト論理を構造化データとして扱うことで、SPEARは演算子融合、プレフィックスキャッシュ、ビュー再利用などの最適化を可能にする。
  論文  参考訳（メタデータ） (2025-08-07T03:49:56Z)
• PARALLELPROMPT: Extracting Parallelism from Large Language Model Queries [19.780108308260214]
  本稿では,自然ユーザプロンプトにおけるクエリ内並列性を測定する最初のベンチマークであるPARALLELPROMPTを紹介する。 我々のデータセットは、パブリックなLLMチャットログから37,000以上の実世界のプロンプトで構成されています。 並列戦略とシリアル戦略をベンチマークし、レイテンシ、構造的忠実度、セマンティック忠実度を計測する実行スイートを提供する。
  論文  参考訳（メタデータ） (2025-06-23T15:05:54Z)
• Context-DPO: Aligning Language Models for Context-Faithfulness [80.62221491884353]
  本研究では,大規模言語モデルの文脈信頼度を高めるためのアライメント手法を提案する。 ConFiQAから提供されたコンテキストの質問に対する忠実で頑健な応答を活用することで、Context-DPOは直接の選好最適化を通じてLLMを調整します。 大規模な実験により、私たちのContext-DPOは、一般的なオープンソースモデルで35%から280%の改善を達成し、コンテキスト忠実性を大幅に改善します。
  論文  参考訳（メタデータ） (2024-12-18T04:08:18Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)

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。