論文の概要: Reliable Memory from Unstable Growth: Curating Self-Written Agent Playbooks with Randomized Experiments

• arxiv url: http://arxiv.org/abs/2610.18427v1
• Date: Tue, 13 Oct 2026 14:06:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 21:22:01.653314
• Title: Reliable Memory from Unstable Growth: Curating Self-Written Agent Playbooks with Randomized Experiments
• Title（参考訳）: 不安定成長からの信頼性の高い記憶:ランダム化実験による自筆エージェントプレイブックのキュレーション
• Abstract要約: 永続的なテキストメモリにより、言語モデルエージェントは過去のタスクからレッスンを再利用し、将来のマルチステップタスクを改善することができる。 現在のシステムは、決定をエージェント自身に任せ、パフォーマンスを不安定にする。 本稿では,ランダム化ブロックキュレーション(RBC)を提案する。
• 参考スコア（独自算出の注目度）: 40.29355040770229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Persistent textual memory lets language-model agents reuse lessons from past tasks to improve on future multi-step tasks without retraining. Systems such as ACE and Dynamic Cheatsheet keep it as a playbook: lessons the agent writes after each task and reads in its prompt. A key challenge is to decide which lessons improve later tasks. Current systems leave the decision to the agent itself, which makes performance unstable: the same procedure can write a playbook that helps or one that falls up to 69.6 points below no playbook. These findings motivate valuing lessons by their measured effect on task success rather than by the agent's judgment. We propose Randomized Block Curation (RBC), which measures this effect with a randomized experiment on practice tasks. It groups related lessons into blocks large enough to move success measurably and, on each practice task, includes or leaves out every block at random. Random inclusion makes tasks with and without a block comparable, so the gap in their success estimates the block's effect. RBC keeps the blocks that help and, since the same procedure can write a helpful or a harmful playbook, grows several and serves whichever curated, whole or no playbook scores best on fresh practice episodes. Across two memory systems, three models and three benchmarks, RBC raises average success to 66.9, against 55.5 with the whole playbook, 54.1 with no playbook and 53.8 when the agent's own judgment picks the lessons to keep.
• Abstract（参考訳）: 永続的なテキストメモリにより、言語モデルエージェントは過去のタスクからレッスンを再利用し、将来のマルチステップタスクを改善することができる。 ACEやDynamic Cheatsheetのようなシステムは、それをプレイブックとして保持する。 重要な課題は、どのレッスンが後のタスクを改善するかを決めることです。 現行のシステムでは、決定はエージェント自身に委ねられているため、パフォーマンスが不安定になる。同じ手順でプレイブックを書くことができ、プレイブックが69.6ポイントまで低下する。 これらの知見は, エージェントの判断よりも, タスク成功に対する測定効果による評価の指導を動機付けている。 本稿では,ランダム化ブロックキュレーション(RBC)を提案する。 関連するレッスンを大きなブロックにグループ化して成功を計測し、各プラクティスタスクでは、ランダムにすべてのブロックを含まないか、あるいは除外する。 ランダムインクルージョンはブロックと同等かつ無数のタスクを発生させるため、成功率の差はブロックの効果を推定する。 RBCはブロックを保ち、同じ手順で有用な、または有害なプレイブックを書けるので、何回も成長し、どれが治ったとしても、新しい練習エピソードで最も良い、あるいは全くのプレイブックスコアを提供する。 RBCは2つのメモリシステム、3つのモデル、3つのベンチマークで平均成功率66.9、プレイブック全体の55.5、プレイブックなし54.1、エージェント自身の判断が維持すべき教訓を選択すると53.8となる。

関連論文リスト

• Tracing the Thoughts of a Coding Agent Playing ARC-AGI-3: Lessons for Continual Learning [2.148015602930458]
  我々は,コーディングエージェントが一連の推論タスクを通してどのように学習するかを研究する。 我々はエージェントに指示を与えないインタラクティブな推論ゲームであるARC-AGI-3をプレイさせる。 エージェントはPythonスクリプトとテキストノートとして学んだことを記録し、ハーネスはすべてのアクションと観察の完全なログを保持する。
  論文  参考訳（メタデータ） (2026-10-08T08:04:18Z)
• Sentry: Learning to Recover from LLM Agent Failures at Test Time [1.4244376351028567]
  障害知識は条件付きで公開されるべきであり、この原則をSentryでインスタンス化するべきだ、と私たちは主張する。 Sentryは、外部のプレイブックからマッチングのレッスンを検索してリカバリをガイドし、エージェントがリカバリしたかどうかのタスク報酬にアクセスできることなく検証し、その場合のみ新しいレッスンを格納する。
  論文  参考訳（メタデータ） (2026-10-02T08:26:47Z)
• Encore: Few-Shot Agentic Discovery of Manipulation Strategies [22.78288621506192]
  コーディングエージェントは、人間の助けなしにプログラムを書いて、実行し、デバッグすることができる。 ENCOREを導入することで、エージェントはトレーニングデータではなく、読むための証拠として、いくつかのデモを行うことができる。 コーディングエージェントはパックを研究し、固定された認識とアクションAPIに対するポリシープログラムを書き、いくつかの開発ロールアウトに対して反復的にそれを洗練し、成功シグナルを決して明らかにしない封印された評価の前にそれを凍結する。
  論文  参考訳（メタデータ） (2026-09-29T12:21:27Z)
• Shockingly Simple Self-retrospection Improves Agentic Models Without RL [56.88703385147974]
  本研究は,説明のみの訓練がその後の行動に与える影響を分離するために,レトロスペクティブ・オンリー・ファインチューニングについて検討する。 Qwen3.5-4B を用いたソフトウェア工学実験では、ROFT は成功と失敗の混合したベースモデルの試行に関する問題で訓練されている。 また、64のサンプルベースモデル試みが失敗する個々のタスクの解決も学べる。
  論文  参考訳（メタデータ） (2026-09-28T17:54:24Z)
• Recursive Harness Distillation across Agents for Robot Manipulation [31.276475913209925]
  エージェント間の再利用可能なガイダンスとして介入経験を蓄積する再帰的ハーネス蒸留を提案する。 強いエージェントは、その経験をライトエージェントのプレイブックに蒸留し、ライトエージェントの実行フィードバックを用いてプレイブックを精製する。 結果として得られたプレイブックは、モデルパラメータを更新することなく、エージェントが新しいタスクインスタンスに蓄積された介入知識を再利用することを可能にする。
  論文  参考訳（メタデータ） (2026-09-27T09:01:15Z)
• PAST-Bench: Benchmarking the Foundations of Recursive Self-Improvement in Personal Agents [50.9061759859778]
  PAST-Benchは、保持されたエクスペリエンスがエージェントを時間とともに実際に改善するかどうかを識別するために設計されたベンチマークである。 遅延タスクのゲインと、そのゲインが意図したセーブ、リトリーブ、更新パスに従うかどうかを報告します。 我々はHermes+を開発し、エージェントループの段階にわたって5つのターゲット的介入でHermesを拡張した。
  論文  参考訳（メタデータ） (2026-08-04T17:58:05Z)
• Mastermind: Strategy-grounded Learning for Repository-Scale Vulnerability Reproduction [62.42945715963878]
  リポジトリレベルの脆弱性の再現は、要求の多いソフトウェアエンジニアリング(SE)タスクである。 最近のLLMエージェントは、アプローチが正しい場合、しばしばこれらのステップを実行するが、間違った戦略を選択することで失敗する。 本論では, アクションの完全な軌跡ではなく, 戦略がSEエージェントの適切な学習単位であることを論じる。
  論文  参考訳（メタデータ） (2026-07-02T06:27:27Z)
• Playful Agentic Robot Learning [108.08954330298549]
  本研究では,実演型プログラミングエージェントが,下流のタスクが到着する前に,連続的なスキル学習段階として自己指導型プレイを使用する,遊び型エージェントロボット学習について検討する。 RATは、新しい学習可能な探索タスク、ロボットコードポリシーの計画と実行、中間的な進捗の検証、失敗の診断、密集したステップレベルのフィードバックによる検索、そして成功した実行を永続的なコードスキルライブラリに蒸留することを提案する。
  論文  参考訳（メタデータ） (2026-06-17T17:55:23Z)
• Off-Beat Multi-Agent Reinforcement Learning [62.833358249873704]
  オフビート動作が一般的環境におけるモデルフリーマルチエージェント強化学習(MARL)について検討した。 モデルレスMARLアルゴリズムのための新しいエピソードメモリLeGEMを提案する。 我々は,Stag-Hunter Game,Quarry Game,Afforestation Game,StarCraft IIマイクロマネジメントタスクなど,オフビートアクションを伴うさまざまなマルチエージェントシナリオ上でLeGEMを評価する。
  論文  参考訳（メタデータ） (2022-05-27T02:21:04Z)

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。