論文の概要: Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries

• arxiv url: http://arxiv.org/abs/2610.22273v1
• Date: Thu, 15 Oct 2026 17:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.22864
• Title: Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries
• Title（参考訳）: ライブラリーエージェント:将来のクエリを予想する長期のワークスペースをキュレートするためのLLMのトレーニング
• Abstract要約: 構築者エージェントが生文書を階層的な合成ファイルと参照リンクに変換するフレームワークであるLibrarian Agentsを導入し、下流の応答エージェントに適したワークスペースを形成する。 経験的に、ライブラリアンエージェントはBrowseComp-Plusで最強の検索と事前計算のベースラインを33ポイント上回り、繰り返しクエリで事前構築コストを償却し、31ポイント平均精度の改善でBRIGHT上の未確認領域にゼロショットを一般化する。
• 参考スコア（独自算出の注目度）: 61.486885079210055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning over long document contexts remains a challenge for large language models (LLMs). Standard retrieval methods are inherently reactive, bottlenecking agents with complex, cross-document reasoning at inference time, while precomputed structures like knowledge graphs often fall short because they rely on rigid heuristics. Instead, can we allow agents to perform anticipatory directed curation: learning to proactively reorganize unstructured corpora prior to inference to efficiently serve diverse future queries. We build on a key asymmetry in modern agentic harnesses (e.g., Claude Code): while LLM agents are adept at navigating existing filesystems to solve an immediate task, they are rarely trained to construct reusable workspaces for future use. To instantiate this capability, we introduce Librarian Agents, a framework in which a builder agent transforms raw documents into a hierarchical filesystem of synthetic files and reference links, which forms a workspace tailored for a downstream answering agent. We formulate workspace construction as a Markov decision process and optimize the builder policy via reinforcement learning to directly maximize downstream answering accuracy. Empirically, Librarian Agents outperforms the strongest retrieval and precomputation baselines by 33 percentage points on BrowseComp-Plus, amortizes upfront construction costs across repeated queries, and generalizes zero-shot to unseen domains on BRIGHT with a 31-point average accuracy improvement.
• Abstract（参考訳）: 長いドキュメントコンテキストに対する推論は、大きな言語モデル(LLM)にとって依然として課題である。 標準的な検索方法は本質的には反応性があり、推論時に複雑なクロスドキュメント推論を伴うボトルネックエージェントであるが、知識グラフのような事前計算された構造は厳密なヒューリスティックに依存しているため、しばしば不足する。 その代わり、エージェントは予測指向のキュレーションを実行できる: 推論の前に非構造化コーパスを積極的に再構成して、多様な将来的なクエリを効率的に提供する。 我々は、現代のエージェントハーネスにおけるキー非対称性(例えば、Claude Code): LLMエージェントは、即時タスクを解決するために既存のファイルシステムをナビゲートできるが、将来の使用のために再利用可能なワークスペースを構築するためにトレーニングされることは滅多にない。 この機能をインスタンス化するために、ビルダーエージェントが生文書を合成ファイルと参照リンクの階層的なファイルシステムに変換するフレームワークであるLibrarian Agentsを導入し、下流の応答エージェントに適したワークスペースを形成する。 我々は、マルコフ決定プロセスとしてワークスペースの構築を定式化し、強化学習を通じてビルダーポリシーを最適化し、下流の回答精度を直接最大化する。 経験的に、ライブラリアンエージェントはBrowseComp-Plusで最強の検索と事前計算のベースラインを33ポイント上回り、繰り返しクエリで事前構築コストを償却し、31ポイント平均精度の改善でBRIGHT上の未確認領域にゼロショットを一般化する。

関連論文リスト

• Frustratingly Easy Agentic RAG via Portable Skills: A Case Study in Customer Support [11.405584584495772]
  例えば、カスタマーサポートでは、人間のスペシャリストが各ケースの正しい解決手順を決定する必要があります。 このバーを本番環境で満たすには、通常、複雑なドキュメントのチャンク、インデックス、検索パイプラインが必要です。 本稿では,LLM生成ナビゲーション層に富んだ自然言語命令,軽量ツール,コーパスからなる携帯型スキルの展開事例について報告する。
  論文  参考訳（メタデータ） (2026-10-10T00:49:01Z)
• Code as Representation: A Compilable Parsing Paradigm for Academic Documents [50.40789738182074]
  Compilable Academic Document Parsing (CADP)は、コンテキストラプラス実行可能なPythonとして全ページを再構築するパラダイムである。 テキストと複数のSAEタイプを含む全学術ページのエキスパート検証ベンチマークであるCADP-Benchを紹介する。 その結果、フロンティアモデルでさえも、高忠実度で実行可能な再構築を行うのに苦戦していることがわかった。
  論文  参考訳（メタデータ） (2026-08-18T09:10:43Z)
• DocOps: A Verifiable Benchmark for Autonomous Agents in Complex Document Operations [106.74348504930124]
  本稿では,階層的な分類を基盤とした決定論的に検証可能な評価フレームワークであるDocOpsを紹介する。 DocOpsに基づいて,各種エージェントハーネスのクローズドおよびオープンソースモデルを体系的に評価する。 我々の研究は、グローバルな文書整合性を維持するためのエージェントの能力境界を明らかにし、堅牢で非破壊的なエージェントの将来の設計に光を当てている。
  論文  参考訳（メタデータ） (2026-07-22T07:52:59Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• DeepRead: Document Structure-Aware Reasoning to Enhance Agentic Search [23.447631421934847]
  DeepReadは、ドキュメントネイティブな構造的事前を動作可能な推論機能に運用するために設計された、構造対応のドキュメント推論エージェントである。 DeepReadは、従来の検索手法に固有のコンテキストの断片化を効果的に軽減する、人間のような位置読み取りの推論パラダイムを提供する。
  論文  参考訳（メタデータ） (2026-02-04T20:03:28Z)
• Learning to Refine: An Agentic RL Approach for Iterative SPARQL Query Construction [0.18907108368038208]
  現在のメソッドでは、リアルタイム実行フィードバックに基づいてクエリを動的にデバッグするために必要なアダプティブポリシーが欠如している。 本稿では,LLMが繰り返しSPARQL構築のシーケンシャルなプロセスに対してレジリエントなポリシーを学習する,新しいエージェント・フレームワークを提案する。 結果駆動型強化学習(GRPO)によってのみ訓練されたコンパクトな3B-パラメータモデルが,このタスクの効果的なポリシを学習可能であることを示す。
  論文  参考訳（メタデータ） (2025-11-14T08:44:58Z)
• Context Engineering for Multi-Agent LLM Code Assistants Using Elicit, NotebookLM, ChatGPT, and Claude Code [0.0]
  大規模言語モデル(LLM)は、コード生成とソフトウェアエンジニアリングタスクの自動化において有望であることを示しているが、コンテキスト制限と知識ギャップのため、複雑なマルチファイルプロジェクトに苦戦することが多い。 ユーザ要求を明確にするIntent Translator (GPT-5)、ドメイン知識を注入するElicitを利用したセマンティック文献検索、コンテキスト理解のためのNotebookLMベースの文書合成、コード生成と検証のためのClaude Codeマルチエージェントシステムなど、複数のAIコンポーネントを組み合わせた新しいコンテキストエンジニアリングワークフローを提案する。
  論文  参考訳（メタデータ） (2025-08-09T14:45:53Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。