論文の概要: DTOC: Dynamic Tool Output Compression for Adaptive Context Management in AI Agents
- arxiv url: http://arxiv.org/abs/2609.26121v1
- Date: Thu, 06 Aug 2026 12:06:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.882792
- Title: DTOC: Dynamic Tool Output Compression for Adaptive Context Management in AI Agents
- Title（参考訳）: DTOC:AIエージェントの適応的コンテキスト管理のための動的ツール出力圧縮
- Abstract要約: Dynamic Tool Output Compression (DTOC)は、LLMベースのエージェントにおけるスケーラブルなコンテキスト管理のためのフレームワークである。
DTOCは、コンパクトなプレースホルダーをアクティブなコンテキストに挿入しながら、完全なツール出力を外部メモリに保持し、必要に応じて選択的再構築を可能にする。
応答性モデルでは、DTOCは入力トークン(10.3と12.7%)とエージェントステップ(2.4と32.3%)を減らし、解数率(2.5と1.5倍)を高め、解数当たりのコスト(3と3.5倍)を下げる。
- 参考スコア（独自算出の注目度）: 0.14666123553476548
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As agent capabilities have grown, practical limitations increasingly stem from constrained context windows rather than model capacity. Common strategies, such as truncation, heuristic aging, and lossy summarization, may discard useful information or introduce hallucination risk. To address these challenges, we propose Dynamic Tool Output Compression (DTOC), a framework for scalable context management in LLM-based agents that models context updates as explicit and reversible operations within the agent reasoning loop. DTOC retains full tool outputs in external memory while inserting compact placeholders into the active context, enabling selective reconstruction when needed. We formalize the DTOC mechanism, integrate it into a ReAct-style agent architecture, and provide a production-oriented implementation supporting on-demand restoration of compressed outputs. Experiments on DeepSWE reveal model-dependent effects: for responsive models (Sonnet 4.6, GPT-5.4), DTOC reduces input tokens (10.3 and 12.7%) and agent steps (2.4 and 32.3%), while increasing solve rates (2.5 and 1.5 times higher) and lowering cost per solved task (3 and 3.5 times lower cost per solved task). For the other models results are more mixed, with GPT-5.5 doubling solve rate and halving cost, but no impact on solve rate and negative impact on cost for the other models. Ablation results show reversibility is critical: disable-only compression variants degraded performance, while full DTOC recovered baseline accuracy at substantially lower context cost. These findings indicate that explicit, reversible context management can improve the efficiency of long-horizon agent reasoning without degrading task performance.
- Abstract（参考訳）: エージェントの能力が増大するにつれて、実用上の制限は、モデルキャパシティではなく、制約のあるコンテキストウインドウから生まれている。
切り離し、ヒューリスティックな老化、損失の合計化といった一般的な戦略は、有用な情報を捨てたり、幻覚のリスクをもたらすことがある。
これらの課題に対処するために、我々は、動的ツール出力圧縮(DTOC)を提案する。これは、LLMベースのエージェントにおいて、コンテキスト更新をエージェント推論ループ内の明示的で可逆的な操作としてモデル化するスケーラブルなコンテキスト管理のためのフレームワークである。
DTOCは、コンパクトなプレースホルダーをアクティブなコンテキストに挿入しながら、完全なツール出力を外部メモリに保持し、必要に応じて選択的再構築を可能にする。
我々はDTOC機構を形式化し、それをReActスタイルのエージェントアーキテクチャに統合し、圧縮された出力のオンデマンド復元をサポートする生産指向の実装を提供する。
応答性モデル(Sonnet 4.6, GPT-5.4)では、DTOCは入力トークン(10.3と12.7%)とエージェントステップ(2.4と32.3%)を減らし、解数率(2.5と1.5倍)を高め、解決タスク当たりのコスト(3と3.5倍)を下げる。
他のモデルでは、GPT-5.5は解率を2倍にし、コストを半減させるが、他のモデルでは解率と負の影響は与えない。
可逆性(reversibility)は可逆性(disable-only compression variants)により性能が低下し,フルDTOCではコンテキストコストが大幅に低いベースライン精度が回復した。
これらの結果から,明示的で可逆的なコンテキスト管理は,タスク性能を劣化させることなく,長期的エージェント推論の効率を向上させることが示唆された。
関連論文リスト
- An Empirical Study of Harness Design for Coding Agents [48.285649472537806]
コーディングは、自律的なコーディングエージェントがモデル能力を長期のソフトウェアエンジニアリングのパフォーマンスに変換する方法を形成する。
コンポーネントレベルの比較を可能にするために、我々は3つのコンポーネント(計画、行動空間、コンテキスト管理)が変化する間に実行ループが固定された軽量な符号化ハーネスを用いてこの問題を考察した。
我々は,5つのコンテキスト管理戦略,4つのコンテキストウインドウ予算,計画と行動空間を対象とする176のマッチング設定を評価した。
論文 参考訳（メタデータ） (2026-09-17T17:58:07Z) - AttnCompress: Dynamic Attention-Guided Trajectory Compression for Software Engineering Agents [33.01897134024342]
本稿では,動的注意誘導軌道圧縮フレームワークであるAttnCompressを紹介する。
AttnCompressは意味的整合性と動的適応性のギャップを埋める。
合格率は53.17%で、最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-09-08T06:42:24Z) - ACE: Pluggable Adaptive Context Elasticizer across Agents [65.45147906718154]
Adaptive Context Elasticizer (ACE)は、各決定ステップでエージェントのコンテキストに履歴ステップ情報をオーケストレーションする。
ACEは、トランケーションと要約ベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-06-30T12:20:45Z) - Context, Reasoning, and Hierarchy: A Cost-Performance Study of Compound LLM Agent Design in an Adversarial POMDP [3.774094352572544]
プログラム状態抽象化は、使用されるトークン当たりの最大のリターンを提供する。
階層をまたいだ議論ツールの配布は、階層のみに対するパフォーマンスを低下させる。
議論のない階層分解は、ほとんどのモデルにとって最高の絶対的な性能を達成する。
論文 参考訳（メタデータ） (2026-05-15T17:23:08Z) - LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents [63.75550089045995]
ロングホライズン検索エージェントは、理由として急速に成長する作業状況を管理し、ツールを呼び、情報を観察しなければならない。
エージェントの軌道の一部は、タスクに対する現在の関連性に応じて、異なるレベルで細部まで維持される。
我々は10kの合成軌道上にQwen3-30B-A3Bを微調整した長距離探索エージェントであるLongSeekerを開発した。
論文 参考訳（メタデータ） (2026-05-06T17:54:16Z) - When Agents Go Quiet: Output Generation Capacity and Format-Cost Separation for LLM Document Synthesis [0.0]
LLMを用いた符号化エージェントは、出力停止という、よく理解されていない障害モードに悩まされる。
本稿では、この失敗を3つの貢献を通じて説明し、予防する理論的枠組みを提案する。
我々は、オープンソースのMPPサーバであるGEN-PILOTとしてフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2026-04-17T22:48:23Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Internalizing LLM Reasoning via Discovery and Replay of Latent Actions [4.830503861275364]
連鎖プロセスの隠れ状態への内部化は、テスト時間計算をスケールするための非常に効率的なパラダイムとして現れている。
動的潜在軌道制御問題として推論強化を再構築するSTIR(Self-Distilled Tools for Internal Reasoning)を提案する。
論文 参考訳（メタデータ） (2026-02-04T08:44:57Z) - Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。
TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
論文 参考訳（メタデータ） (2026-02-03T07:43:03Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z)
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。