論文の概要: Semantics Delivery Network: Rethinking Web Retrieval Infrastructure for LLM Agents
- arxiv url: http://arxiv.org/abs/2609.22486v1
- Date: Fri, 18 Sep 2026 18:49:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.409486
- Title: Semantics Delivery Network: Rethinking Web Retrieval Infrastructure for LLM Agents
- Title（参考訳）: Semantics Delivery Network: LLMエージェントのWeb検索インフラ再考
- Abstract要約: セマンティックチャンク検索はネットワーク配信の第一級の抽象化となるべきだと我々は主張する。
SemDNは、Webコンテンツを大まかな粒度でインデックスし、検索し、スマートキャッシュする、原産地認可の階層的なエッジ基板である。
共有可能な検索状態、階層的なキャッシュ、カバレッジリスク、デプロイメントに関するオープンな疑問が提起される。
- 参考スコア（独自算出の注目度）: 0.4859781642217615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) increasingly rely on external sources when answering questions that require proprietary information or up-to-date live web content, through both traditional single-shot retrieval-augmented generation (RAG) and multi-turn agentic RAG. Yet today's web infrastructure is still built for human clients. Given a query, current search services return a list of URLs and snippets ranked for generic relevance; content delivery networks (CDNs) cache URL-addressed objects (texts, images, videos, etc.) without knowing which passage an agent needs. LLMs, in contrast, consume short, semantically coherent passages, hereafter "chunks", selected for downstream task utility rather than similarity alone, and may retrieve statefully across reasoning turns. Uncoordinated agents also repeat search, data acquisition, and semantic processing, duplicating work that could be shared. We argue that semantic chunk retrieval should become a first-class network-delivery abstraction. We propose Semantics Delivery Network (SemDN): an origin-authorized, hierarchical edge substrate that indexes, searches, and smart-caches web content at chunk granularity. SemDN serves agents on behalf of participating websites, amortizes data acquisition and processing across agents, and supports tenant-specific retrieval policies. Because, unlike URL caching, semantic retrieval provides no explicit miss signal, SemDN must estimate when its enrolled corpus may be incomplete or stale and trigger scoped discovery or refresh. It raises open questions about shareable retrieval state, hierarchical caching, coverage risk, and deployment. Our preliminary probes reveal a large gap between page content processed and chunks consumed, substantial task-local reuse, and higher answer quality per context token from chunk delivery.
- Abstract（参考訳）: 大きな言語モデル(LLM)は、従来の単一ショット検索拡張世代(RAG)とマルチターンエージェントRAGの両方を通して、プロプライエタリな情報や最新のライブWebコンテンツを必要とする質問に答える際に、外部ソースに依存する傾向にある。
しかし、今日のWebインフラストラクチャは、まだ人間のクライアントのために構築されています。
クエリが与えられた場合、現在の検索サービスは、一般的な関連性のためにランク付けされたURLとスニペットのリストを返す。
対照的にLLMはショートでセマンティックなコヒーレントなパスを消費し、後続の「チャンク」は類似性のみでなく下流タスクユーティリティに選択され、推論のターンを越えてステートリーに検索される。
非コーディネートエージェントは、検索、データ取得、セマンティック処理を繰り返し、共有可能な作業の複製を行う。
セマンティックチャンク検索はネットワーク配信の第一級の抽象化となるべきだと我々は主張する。
本稿では,セマンティックス配信ネットワーク(Semantics Delivery Network, Semantics Delivery Network, SemDN)を提案する。
SemDNは、参加するWebサイトの代理としてエージェントを提供し、エージェント間のデータ取得と処理を償却し、テナント固有の検索ポリシーをサポートする。
URLキャッシングとは異なり、セマンティック検索は明確なミス信号を提供しないため、SemDNは登録されたコーパスが不完全な場合や古い場合を推定し、スコープ付き発見やリフレッシュをトリガーしなければならない。
共有可能な検索状態、階層的なキャッシュ、カバレッジリスク、デプロイメントに関するオープンな疑問が提起される。
予備的な調査では、処理されたページ内容と消費されたチャンクの間に大きなギャップがあり、タスクローカルな再利用がかなりあり、また、チャンク配信からのコンテキストトークン当たりの回答品質が高いことが判明した。
関連論文リスト
- SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration [77.28003194268977]
SearchOSは、脆弱で暗黙的な検索進捗を明示的で永続的で共有状態に変換するシステムレベルのマルチエージェントフレームワークである。
SOCM上に構築されたSearchOSは、サブエージェントの実行を重複させるパイプライン並列スケジューリングメカニズムを適用している。
SearchOSは評価されたシングルエージェントとマルチエージェントのベースラインの中で、すべてのメトリクスをリードする。
論文 参考訳（メタデータ） (2026-07-16T17:51:23Z) - WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search [104.75798763084424]
大規模言語モデル(LLM)ベースのWeb検索エージェントは、情報検索を複雑で広範囲な検索と研究指向のタスクに変換する。
本稿では,タスクの分解と拡張を共同で構築するプログレッシブ・プログレッシブ・プログレッシブ・デリゲート・フレームワークであるWebSwarmを提案する。
WebSwarmは、ディープ・ワイド・インターリーブされたディープ・アンド・ワイド・タスクにおいて、シングルエージェントとマルチエージェントのベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-07-09T16:28:49Z) - FastContext: Training Efficient Repository Explorer for Coding Agents [29.359764163872473]
大規模言語モデル(LLM)コーディングエージェントは、ソフトウェアエンジニアリングタスクにおいて大きな成果を上げている。
関連するコードを見つけることは、相当量のトークン予算を消費し、関係のないスニペットでエージェントのコンテキストを汚染する。
我々は、リポジトリの探索と解決を分離する専用の探索サブエージェントであるFastContextを紹介します。
論文 参考訳（メタデータ） (2026-06-12T03:23:59Z) - GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。
DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
論文 参考訳（メタデータ） (2026-05-28T03:37:33Z) - Deep-Research Agents Can Be Poisoned via User-Generated Content [8.098290223993954]
ディープリサーチエージェントは、単一の研究セッション中に多くの関連するクエリを発行する。
多くの一般的な検索トピックにおいて、RedditやWikipediaのようなプラットフォームから、同じユーザ生成コンテンツ(UGC)ページを何度も取得していることを示す。
この重なり合いは集中攻撃面を生成する。
我々はこの攻撃を3つの代表的なディープリサーチシステムに対して評価する。
論文 参考訳（メタデータ） (2026-05-22T21:46:32Z) - Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。
このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。
IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
論文 参考訳（メタデータ） (2026-05-03T19:13:11Z) - Rethinking Deep Research from the Perspective of Web Content Distribution Matching [86.90255285277256]
WeDasは,検索空間の構造的特徴をエージェントの観察空間に組み込んだWebコンテンツ配信アウェアフレームワークである。
本稿では,Query-Result Alignment Scoreを反復的に推定する数ショットの探索機構を提案する。
プラグイン・アンド・プレイモジュールとして、WeDasは4つのベンチマークのサブゴール補完と精度を一貫して改善している。
論文 参考訳（メタデータ） (2026-03-07T14:51:17Z) - User Intent Recognition and Semantic Cache Optimization-Based Query Processing Framework using CFLIS and MGR-LAU [0.0]
この研究は、拡張QPのためのクエリにおける情報、ナビゲーション、およびトランザクションベースのインテントを分析した。
効率的なQPのために、データはEpanechnikov Kernel-Ordering Pointsを用いて構造化され、クラスタリング構造(EK-OPTICS)を同定する。
抽出された特徴、検出された意図、構造化データは、MGR-LAU(Multi-head Gated Recurrent Learnable Attention Unit)に入力される。
論文 参考訳（メタデータ） (2024-06-06T20:28:05Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳（メタデータ） (2022-04-03T16:50:30Z)
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。