論文の概要: Memory as Middleware for Self-Improving AI Agents

• arxiv url: http://arxiv.org/abs/2609.32091v1
• Date: Fri, 25 Sep 2026 23:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:20:12.666619
• Title: Memory as Middleware for Self-Improving AI Agents
• Title（参考訳）: 自己改善型AIエージェントのミドルウェアとしてのメモリ
• Abstract要約: データアクセス、メッセージング、永続化がそれぞれ懸念されるようになるのと同じように、メモリは第一級でプラガブルな層であるべきだ、と私たちは主張しています。 本稿では,自己改善エージェントのためのメモリの参照実装であるALTK-Evolveについて述べる。
• 参考スコア（独自算出の注目度）: 4.360411058059656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents are stateless across sessions by default and therefore operationally amnesic: each session begins with little durable knowledge of prior failures, repairs, preferences, or successful strategies. As a result, agents repeat the same mistakes and discard hard-won experience. The dominant fix is \emph{bespoke memory}---retrieval, persistence, and learning logic hand-wired into one agent and bound to one storage engine. This creates a fragmented landscape where memory cannot be swapped, shared, isolated, or reasoned about independently of the agent that owns it. We argue that this is a middleware problem: agent memory deserves a first-class, pluggable layer, just as data access, messaging, and persistence each became middleware concerns. We develop this vision through six systems challenges: two-sided pluggability, host-native interposition, multi-tenant isolation, write-path consistency, federated sharing with provenance, and lifecycle governance. We present ALTK-Evolve, a reference implementation of memory middleware for self-improving agents, and use it to motivate a broader research agenda for future memory middleware.
• Abstract（参考訳）: 各セッションは、事前の障害、修復、優先、成功戦略に関する耐久性の低い知識から始まります。 その結果、エージェントは同じ間違いを繰り返し、ハードウォン体験を破棄する。 主要な修正は \emph{bespoke memory}--- 検索、永続化、学習ロジックを1つのエージェントに手動で接続し、1つのストレージエンジンにバインドする。 これにより、メモリをスワップしたり、共有したり、分離したり、あるいはそれを所有しているエージェントから独立して推論したりできない、断片化されたランドスケープが生成される。 エージェントメモリは、データアクセス、メッセージング、永続化がミドルウェアの関心事になったように、第一級でプラガブルなレイヤに値します。 このビジョンは、双方向のプラガビリティ、ホストネイティブのインターポジション、マルチテナントアイソレーション、書き込みパス一貫性、フェデレーションによるフェデレーション共有、ガバナンスガバナンスの6つの課題を通じて展開します。 本稿では,自己改善エージェントのためのメモリミドルウェアのリファレンス実装であるALTK-Evolveについて述べる。

関連論文リスト

• The Compliance Trap: Diagnosing How AI Agents Consume Conflicting Memory [9.041305193333434]
  メモリは、長年にわたるAIエージェントの中核的なコンポーネントになりつつある。これにより、エージェントは、Webブラウザやソフトウェアツール、その他のインタラクティブな環境を操作する際に、過去の経験を再利用することができる。 既存の作業は、主にメモリを供給問題として扱い、どのエクスペリエンスを書くか、どのように保存するか、どのエントリを次のタスクに取得するかを尋ねる。 しかし、モデルが取得したメモリをどのように消費するかについては、まだ明確な説明がありません。
  論文  参考訳（メタデータ） (2026-07-12T07:05:31Z)
• Beyond Similarity: Trustworthy Memory Search for Personal AI Agents [25.265839311088516]
  個人AIエージェントにおける信頼境界としてのメモリ探索について検討する。 MemGateは、信頼性の高いメモリ検索のための軽量でデプロイ可能なメモリプラグインである。
  論文  参考訳（メタデータ） (2026-06-04T11:54:29Z)
• 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)
• Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
  本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。 4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-10T04:31:23Z)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• 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)
• Persistent Identity in AI Agents: A Multi-Anchor Architecture for Resilient Memory and Continuity [0.0]
  soul.pyは、分離可能なコンポーネントを通して永続的なアイデンティティを実装するオープンソースのアーキテクチャです。 我々は、AIシステムにおけるアイデンティティアンカーの概念を定式化し、部分記憶障害に耐えられるエージェントを構築するためのロードマップを示す。
  論文  参考訳（メタデータ） (2026-03-02T02:34:50Z)
• MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
  メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。 マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。 MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:49:14Z)
• 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。