論文の概要: MemAgent: Learning to Manage Heterogeneous Memory Providers for LLM Agents

• arxiv url: http://arxiv.org/abs/2609.32521v1
• Date: Sat, 26 Sep 2026 12:04:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 07:37:00.346614
• Title: MemAgent: Learning to Manage Heterogeneous Memory Providers for LLM Agents
• Title（参考訳）: MemAgent: LLMエージェントの異種メモリプロバイダ管理の学習
• Abstract要約: 既存のメモリメソッドは過去の経験を再利用しようとするが、ほとんどは単一のメモリ表現に依存している。 本稿では,コンテンツ対応ルーティングアーキテクチャとトレーニングデータ合成パイプラインを備えたMemAgentを提案する。 GAIA、WebWalkerQA、xBench-DS全体で、MemAgentは平均精度を10.0%改善し、個々のメモリメソッドで性能を向上する。
• 参考スコア（独自算出の注目度）: 46.55074903422028
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Current agents remain largely stateless across tasks, limiting their ability to continually improve from prior interactions and making memory essential for long-horizon agentic behavior. Existing memory methods seek to reuse past experience, but most rely on a single memory representation (e.g., trajectories, reflections, skills, structured knowledge) whose effectiveness varies across task distributions. Rethinking this design space, we evaluate 13 memory methods and find that no single method generalizes across benchmarks, revealing the potential of managing heterogeneous memory providers. We formulate agent memory as a routing problem in which a memory agent decides which memory provider to retrieve from, whether to inject short-term memory, and which providers should store the resulting experience. Based on this perspective, we propose MemAgent, featuring a content-aware routing architecture and a training-data synthesis pipeline. The routing architecture combines content-aware probing before retrieval, short-term memory gating during execution, and selective multi-provider storage, while the training pipeline synthesizes phase-specific supervision for routing decisions. Across GAIA, WebWalkerQA, and xBench-DS, MemAgent improves average accuracy by 10.0% and outperforms every individual memory method across all three benchmarks. These gains come with less than 0.3% routing overhead and a 12% reduction in average task steps.
• Abstract（参考訳）: 現在のエージェントはタスク全体にわたってほとんどステートレスであり、以前のインタラクションから継続的に改善する能力を制限し、長期のエージェント動作に欠かせないメモリを作る。 既存のメモリ手法は過去の経験を再利用しようとするが、ほとんどの場合、1つのメモリ表現(例えば、トラジェクトリ、リフレクション、スキル、構造化知識)に依存している。 この設計空間を再考し、13のメモリメソッドを評価し、ベンチマーク全体で1つのメソッドが一般化せず、異種メモリプロバイダを管理する可能性を明らかにする。 エージェントメモリは、メモリエージェントがどのメモリプロバイダから取得するか、短期記憶を注入するか、どのプロバイダが結果の記憶を行うべきかを判断するルーティング問題として定式化する。 この観点から,コンテンツ対応ルーティングアーキテクチャとトレーニングデータ合成パイプラインを備えたMemAgentを提案する。 ルーティングアーキテクチャは、検索前のコンテンツ認識プロファイリング、実行中の短期メモリゲーティング、選択されたマルチプロファイラストレージを組み合わせたもので、トレーニングパイプラインはルーティング決定のためのフェーズ固有の監視を合成する。 GAIA、WebWalkerQA、xBench-DS全体で、MemAgentは平均精度を10.0%改善し、3つのベンチマークすべてで個々のメモリメソッドよりも優れています。 これらのゲインには、ルーティングオーバーヘッドが0.3%未満で、平均タスクステップが12%削減されている。

関連論文リスト

• Just-In-Time Agent Memory with Runtime Agentic Research [22.199769439257754]
  メモリはAIエージェントにとって重要である。 多くの既存のエージェントメモリシステムはAhead-of-Time (AOT)設計に従っており、特定の要求が来る前にメモリを構築する。 実行時にクエリ条件付きコンテキスト構築のためのトレーニング可能なフレームワークであるJust-In-Time Agent Memory (JAM)を提案する。
  論文  参考訳（メタデータ） (2026-09-28T06:01:09Z)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
  我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。 我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。 私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
  論文  参考訳（メタデータ） (2026-06-23T13:52:46Z)
• Learning to Retrieve: Dual-Level Long-Term Memory for Text-to-SQL Agents [63.38073530162493]
  長期記憶は、エージェントが過去の経験を再利用するのに役立つ。 静的メソッドは、下流ユーティリティを最適化しない固定された類似性に依存します。 動的マルチ水平メモリ検索フレームワークであるMERITを提案する。
  論文  参考訳（メタデータ） (2026-05-30T05:44:34Z)
• 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 Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)

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。