論文の概要: Rethinking the Role of Tool Graph Memory in Multi-Turn Tool Use

• arxiv url: http://arxiv.org/abs/2610.21571v1
• Date: Thu, 15 Oct 2026 09:24:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.305179
• Title: Rethinking the Role of Tool Graph Memory in Multi-Turn Tool Use
• Title（参考訳）: マルチTurnツール利用におけるツールグラフメモリの役割の再考
• Abstract要約: 大規模言語モデル(LLM)エージェントは、複数のターンで外部ツールを呼び出すことで複雑なタスクを解決する。 最近の研究はツールグラフメモリを提案しており、過去の体験をツール移行として保存し、その後の選択をガイドしている。 ツールグラフメモリを9つのモデルと2つのベンチマークで評価した結果,ベースラインよりも大幅に改善されることはめったにないことがわかった。
• 参考スコア（独自算出の注目度）: 7.729705073382601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents solve complex tasks by calling external tools over multiple turns. Recent work has proposed tool graph memory, which stores past experience as tool transitions to guide subsequent selection. However, it remains unclear whether this component consistently improves agents' tool use or undermines it. We evaluate tool graph memory on nine models and two benchmarks, finding that it seldom improves significantly over baselines, and that its gains, where present, cost over twice the LLM calls. The memory's guidance is often incorrect, and random or no guidance retains most of the gain, implying that the benefit stems from extra computation rather than the memory itself. Moreover, even with the correct next tool suggested, many failures remain, such as giving up without a tool call. Storing the same experience instead as textual insights outperforms tool graph memory with almost no extra LLM calls. This suggests that memory serves better as a soft prior than as a prescription of the next tool, leading to a more effective and generalizable solution.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、複数のターンで外部ツールを呼び出すことで複雑なタスクを解決する。 最近の研究はツールグラフメモリを提案しており、過去の体験をツール移行として保存し、その後の選択をガイドしている。 しかし、このコンポーネントがエージェントのツール使用を継続的に改善するのかどうかは不明だ。 ツールグラフメモリを9つのモデルと2つのベンチマークで評価し、ベースラインよりも大幅に改善されることは滅多になく、現在のLLMコールの2倍以上のコストがかかることが判明した。 メモリのガイダンスはしばしば誤りであり、ランダムまたはノーガイダンスは、メモリ自体よりも余分な計算によるものであることを暗示している。 さらに、正しい次のツールが提案されているとしても、ツールコールなしで諦めるなど、多くの障害が残っている。 テキストのインサイトと同じエクスペリエンスを保ちながら、ほとんど余分なLLM呼び出しなしでツールグラフメモリより優れている。 これは、メモリが次のツールの処方薬よりもソフトに機能し、より効果的で一般化可能なソリューションをもたらすことを示唆している。

関連論文リスト

• Forgotten in Weights, Recovered by Tools: Agentic Tool Unlearning for LLM Agents [54.050506620820784]
  エージェントツールアンラーニング(ATU)は、通常のツール使用を保持しながら、パラメトリックリコールとツールによるリカバリの両方を削減することを目的としている。 ATUは、ツール強化されたエージェントデプロイメント下で、ターゲットの忘れと保持ユーティリティのバランスを向上し、未学習をより堅牢にする。
  論文  参考訳（メタデータ） (2026-08-21T18:34:48Z)
• 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)
• ToolAtlas: Learning Once, Reusing Everywhere with Tool-Side Memory [49.08868447320197]
  大規模言語モデル(LLM)エージェントは、共有プロバイダが提供する外部ツールにますます依存している。 既存のアプローチでは、パラメータ更新、プロンプトリファインメント、エージェント側のメモリを通じて、エージェント側のツール使用を改善する。 グラフベースのフレームワークであるToolAtlasを紹介します。
  論文  参考訳（メタデータ） (2026-07-13T06:01:41Z)
• MemToolAgent: Leveraging Memory for Tool Using Agents Based on Environment and User Feedback [5.237822504687579]
  本稿では,メモリ管理によるツール使用を改善するフレームワークであるMemToolAgentを提案する。 本研究は,(1)汎用・パーソナライズされたツールの使用を微調整なしで改善する統一型メモリエントリフォーマット,(2)環境やユーザからのフィードバックを取り入れたリフレクションベースのメモリ抽出,(3)メモリ類似度分布に基づく過去の経験数を選択する検索モジュールの3つの主要なコントリビューションを有する。
  論文  参考訳（メタデータ） (2026-06-06T00:15:00Z)
• Do Multimodal Agents Really Benefit from Tool Use? A Systematic Study of Capability Gains [20.11899219087138]
  画像のエージェントであるThymeとDeepEyesV2を用いて、現実世界の理解、OCR、チャート理解、数学的推論の2つの代表的思考について検討する。 ツールアクセスは、一貫した集約的改善がほとんど得られず、生成したコストを確実に削減することができず、小さなツールのみの解決セットのみを残している。
  論文  参考訳（メタデータ） (2026-06-01T15:04:25Z)
• ToolMem: Enhancing Multimodal Agents with Learnable Tool Capability Memory [9.63559753690456]
  エージェントが以前のインタラクションからツール機能の記憶を開発できるようにするツールMemを提案する。 各種テキスト生成および画像生成ニューラルツールの学習におけるToolMemの評価を行った。 ToolMemで強化されたエージェントは、テキストおよびマルチモーダル生成シナリオにおいて、ツールのパフォーマンスを14.8%、28.7%正確に予測する。
  論文  参考訳（メタデータ） (2025-10-08T05:32:31Z)
• EASYTOOL: Enhancing LLM-based Agents with Concise Tool Instruction [56.02100384015907]
  EasyToolは、多種多様で長いツールドキュメントを統一的で簡潔なツール命令に変換するフレームワークである。 トークン使用量を大幅に削減し、現実のシナリオにおけるツール利用のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-01-11T15:45:11Z)

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。