論文の概要: M-Plan: Comprehensive Planning For LLM Agents with Memory Arrangement

• arxiv url: http://arxiv.org/abs/2610.27032v1
• Date: Mon, 19 Oct 2026 16:30:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.435839
• Title: M-Plan: Comprehensive Planning For LLM Agents with Memory Arrangement
• Title（参考訳）: M-Plan: メモリアレンジメントを備えたLCMエージェントの総合的な計画
• Abstract要約: 大言語モデル(LLM)ベースのエージェントは、長い水平タスクに苦労する。 M-Planは長期記憶と短期記憶を統合するフレームワークである。
• 参考スコア（独自算出の注目度）: 15.64204730390062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM)-based agents have recently demonstrated outstanding performance in single-turn tasks, yet they continue to struggle with long-horizon tasks, particularly in environments without prior training. A key limitation of single LLMs is their difficulty in processing long contexts, which stems from weaknesses in continuous decision-making and reasoning capabilities. Although existing multi-agent systems (MAS) equipped with long-term memory bases can partially address this gap, they mostly rely on knowledge reuse or summarization, an approach that is often constrained by directly retrieval without any adaptation for the current task, while the retrieved memory may contain much history noises waiting to be preprocessed. In contrast, MAS characterized by task-specific guidance often lack long-term memory specifically designed for the guidance. To address these challenges, we propose M-Plan, a closed-loop MAS framework that integrates long-term and short-term memory. By combining global-local and past-current guidance, M-Plan enhances agents' performance on multi-turn tasks while maintaining a plug-and-play design. During task execution, agents receive task-specific milestones and insights, and are provided with local hints only when confusion arises, which form global-local guidance together. These guidance generation and utilization construct the short-term memory as well. After task completion, relevant information about the current task is optimized or reorganized before being sent to the long-term memory storage for future retrieval. The designments mentioned above build a comprehensive framework different from other individual long-term or short-term memory works. Extensive experiments on multi-turn tasks including ALFWorld, Webshop, and PDDL across diverse models demonstrate that M-Plan outperforms multiple baseline methods in both accuracy and efficiency.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくエージェントは、最近シングルターンタスクにおいて顕著なパフォーマンスを示したが、特に事前トレーニングのない環境では、長期タスクに苦戦し続けている。 単一LLMの鍵となる制限は、長いコンテキストの処理が困難であることであり、これは連続的な意思決定と推論能力の弱点に起因する。 長期記憶ベースを備えた既存のマルチエージェントシステム(MAS)はこのギャップを部分的に解決できるが、知識の再利用や要約に大きく依存している。 対照的に、タスク固有のガイダンスによって特徴づけられるMASは、ガイダンスのために特別に設計された長期記憶を欠いていることが多い。 これらの課題に対処するため,長期記憶と短期記憶を統合するクローズドループMASフレームワークであるM-Planを提案する。 グローバルローカルと過去のガイダンスを組み合わせることで、M-Planはプラグアンドプレイ設計を維持しながらマルチターンタスクにおけるエージェントのパフォーマンスを向上させる。 タスク実行中、エージェントはタスク固有のマイルストーンと洞察を受け取り、混乱が発生した場合にのみ局所的なヒントが提供される。 これらのガイダンス生成と利用は、短期記憶も構成する。 タスク完了後、将来の検索のために長期記憶記憶装置に送られる前に、現在のタスクに関する関連情報を最適化または再構成する。 上述した設計は、他の個別の長期または短期のメモリワークとは異なる包括的なフレームワークを構築する。 ALFWorld, Webshop, PDDLなどの多ターンタスクに関する大規模な実験により、M-Planは精度と効率の両方で複数のベースライン法より優れていることが示された。

関連論文リスト

• Memory as Plans: World-Action Modeling with Memory-Grounded Planning [33.29460541345171]
  MaP-WAMはメモリ依存のワールドアクションモデリングをメモリグランドプランニングとプランコンディショニングに分解するメモリ・アズ・プランンズフレームワークである。 MaP-WAMはRMBenchの最先端のパフォーマンスを83.3%の成功率で達成し、実際のロボットタスクで78.0%の成功を達成した。
  論文  参考訳（メタデータ） (2026-09-10T13:52:51Z)
• AdMem: Advanced Memory for Task-solving Agents [13.611633561917513]
  大規模言語モデル(LLM)はツール使用エージェントとしての約束を示すが、知識の記憶、整理、再利用を必要とする長期的タスクには制限がある。 本稿では,短期記憶と長期記憶を組み合わせた2段階設計において,セマンティック,エピソード,手続き記憶を統合した統合的・自動記憶フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T00:11:57Z)
• MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
  MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。 メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:57:39Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• Explore with Long-term Memory: A Benchmark and Multimodal LLM-based Reinforcement Learning Framework for Embodied Exploration [52.35887679314727]
  長期記憶身体探索は、エージェントの探索的認知と意思決定行動を統合することを目的としている。 エージェントのメモリリコールとプロアクティブな探索能力を高めるため,我々はMemoryExplorerを提案する。
  論文  参考訳（メタデータ） (2026-01-11T16:23:22Z)
• 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)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)
• MapAgent: Trajectory-Constructed Memory-Augmented Planning for Mobile Task Automation [5.433829353194621]
  MapAgentは、過去のトラジェクトリから構築されたメモリを活用して、現在のタスク計画を強化するフレームワークである。 本稿では,メモリデータベースから関連ページを類似性に基づいて検索するタスクプランニング手法を提案する。 実世界のシナリオにおける結果は、MapAgentが既存のメソッドよりも優れたパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2025-07-29T16:05:32Z)
• FindingDory: A Benchmark to Evaluate Memory in Embodied Agents [49.18498389833308]
  本研究では,Habitatシミュレータに長距離エンボディタスクのための新しいベンチマークを導入する。 このベンチマークは、持続的なエンゲージメントとコンテキスト認識を必要とする60タスクにわたるメモリベースの機能を評価する。
  論文  参考訳（メタデータ） (2025-06-18T17:06:28Z)

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。