論文の概要: Just-In-Time Agent Memory with Runtime Agentic Research

• arxiv url: http://arxiv.org/abs/2609.34385v1
• Date: Mon, 28 Sep 2026 06:01:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 21:17:00.919185
• Title: Just-In-Time Agent Memory with Runtime Agentic Research
• Title（参考訳）: 実行時エージェントリサーチによるジャスト・イン・タイムエージェントメモリ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.199769439257754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory is critical for AI agents. Many existing agent-memory systems follow an Ahead-of-Time (AOT) design, constructing memory before a specific request arrives. While this reduces online serving cost, such request-agnostic memory construction can discard fine-grained information that later becomes important. To address this limitation, we propose Just-In-Time Agent Memory (JAM), a trainable framework for query-conditioned context construction at runtime. A Memorizer preserves complete raw histories in a hierarchical page-store with compact navigational summaries, while a Researcher iteratively retrieves, inspects, and integrates evidence for each request. To train these memory-use behaviors, we introduce Memory-Gym, an evidence-grounded data synthesis pipeline covering nine task types across six domains, and optimize the Researcher through verified-trajectory supervised fine-tuning followed by Hint-guided Group Relative Policy Optimization. We demonstrate the effectiveness of JAM across a variety of benchmarks on agent memory and long-context processing, where it achieves stronger task performance than AOT-style memory systems while remaining substantially more efficient than prior trained agentic memory approaches. To support reproducibility and future research, we release our anonymized source code at https://github.com/VectorSpaceLab/general-agentic-memory.
• Abstract（参考訳）: 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。 これによりオンラインサービスコストが削減されるが、このような要求に依存しないメモリ構成は、後に重要になる詳細な情報を破棄することができる。 この制限に対処するため、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。 Memorizerは、コンパクトなナビゲーションサマリーを備えた階層的なページストアで完全な生の履歴を保存し、Researcherは、各リクエストに対して反復的に検索、検査、およびエビデンスを統合する。 メモリ使用行動のトレーニングには,6つの領域にわたる9つのタスクタイプをカバーするエビデンス基底データ合成パイプラインであるMemory-Gymを導入する。 エージェントメモリと長期コンテキスト処理のベンチマークにおけるJAMの有効性を実証し、AOTスタイルのメモリシステムよりもタスク性能が向上する一方で、以前の訓練されたエージェントメモリアプローチよりも大幅に効率が向上することを示した。 再現性と今後の研究をサポートするため、匿名化されたソースコードをhttps://github.com/VectorSpaceLab/General-agentic-Memoryでリリースします。

関連論文リスト

• InjecMEM: Memory Injection Attack on LLM Agent Memory Systems [31.104106193922956]
  InjecMEMは、新しいメモリ注入攻撃パラダイムである。 我々は、レトリバー非依存のアンカーと対向コマンドでインジェクションを製作する。 複数のメモリシステムとバックボーンモデルにまたがって評価を行う。
  論文  参考訳（メタデータ） (2026-08-24T16:37:50Z)
• 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)
• 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)
• Exploring Cross-Scenario Generality of Agentic Memory Systems: Diagnostics and a Strong Baseline [39.29817461808327]
  検索問題に対する8つのメモリシステムとエージェントハーネスを再検討する。 自動管理ツールインタフェースを備えたエージェントメモリハーネスであるAutoMEMにおいて、この知見をインスタンス化する。
  論文  参考訳（メタデータ） (2026-06-03T00:42:49Z)
• MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
  本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。 MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。 MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
  論文  参考訳（メタデータ） (2026-05-20T07:25:33Z)
• 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)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
  メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。 本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。 次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
  論文  参考訳（メタデータ） (2025-05-01T17:31:33Z)

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。