論文の概要: More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents

• arxiv url: http://arxiv.org/abs/2610.27406v1
• Date: Mon, 19 Oct 2026 23:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.554543
• Title: More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents
• Title（参考訳）: LLM剤の誤り再現と抗持続性
• Abstract要約: LLMエージェントは、自身の実行経験を外部メモリに格納することで、モデルパラメータを更新することなく、タスク全体を改善することができる。 中心となる設計上の問題は、観察された軌跡や成果のみを保持するか、あるいはそれらから推測されるルール、要約、スキルを保持するかである。 本稿では,要求に対するタスク固有のガイダンスを再構築しながら,トラジェクトリと成果を蓄積したメモリ設計である反永続性を提案する。
• 参考スコア（独自算出の注目度）: 22.66334294776082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents can improve across tasks without updating model parameters by storing experience from their own executions in external memory and reusing it to guide later decisions. A central design question is whether to retain only observed trajectories and outcomes or also the rules, summaries, and skills inferred from them. Retaining these abstractions allows agents to reuse strategies without repeatedly deriving them from raw trajectories. However, errors in stored abstractions can propagate to subsequent decisions through retrieval and reuse. They can also shape execution trajectories, which then become the basis for new abstractions that reproduce the original errors. We term this feedback mechanism error reproduction: errors are regenerated through a cycle of abstraction, execution, and re-abstraction, extending their persistence beyond direct reuse of the original faulty knowledge. We propose Anti-Persistence, a memory design that accumulates trajectories and outcomes while reconstructing task-specific guidance on demand. An adaptive selector uses prior outcomes to decide whether and how to synthesize guidance, which is discarded after execution. This prevents its direct reuse as a stored object, although indirect feedback through retained trajectories remains possible. Across different benchmarks and backbones, Anti-Persistence achieves higher overall held-out success and the lowest average LLM-call cost among the evaluated memory designs. These results support separating experience accumulation from abstraction persistence in memorybased self-improvement.
• Abstract（参考訳）: LLMエージェントは、自身の実行を外部メモリに格納し、後続の意思決定をガイドするために再利用することで、モデルパラメータを更新せずにタスク全体を改善することができる。 中心となる設計上の問題は、観察された軌跡や成果のみを保持するか、あるいはそれらから推測されるルール、要約、スキルを保持するかである。 これらの抽象化を維持することで、エージェントは生の軌跡から繰り返し引き出すことなく戦略を再利用できる。 しかし、記憶された抽象化のエラーは、検索と再利用を通じてその後の決定に伝播する。 また、実行軌跡を形成でき、元のエラーを再現する新しい抽象化の基礎となる。 エラーは抽象化、実行、再帰のサイクルを通じて再生され、元の欠陥知識の直接的な再利用を超えて持続性を拡張する。 本稿では,要求に対するタスク固有のガイダンスを再構築しながら,トラジェクトリと成果を蓄積したメモリ設計である反永続性を提案する。 アダプティブセレクタは、事前の結果を使用して、実行後に破棄されるガイダンスの合成方法を決定する。 これにより、保存されたオブジェクトとして直接再利用できないが、保持された軌道による間接的なフィードバックは引き続き可能である。 異なるベンチマークとバックボーンで、反永続性は、評価されたメモリ設計の中で全体のホールドアウト成功率が高く、平均的なLCMコールコストが低い。 これらの結果は、メモリベースの自己改善における抽象的な永続化からエクスペリエンスの蓄積を分離するのに役立つ。

関連論文リスト

• Lost in Recovery: Demystifying Recovery Behavior of Computer-Use Agents via Goal-Oriented Action Replay [63.05870209824107]
  本稿では,コンピュータ利用エージェントの回復行動を研究するためのスケーラブルな評価フレームワークReTraceを提案する。 我々は、制御されたエラーインジェクションの後にゴール指向のアクションリプレイによって、この基準を運用する。 ReTraceを用いて、自律型モデルベースリカバリに関する最初の体系的研究を行う。
  論文  参考訳（メタデータ） (2026-10-20T09:59:12Z)
• Rollback the World, Keep the Reflection: Rollback-Induced Reflection for Long-Horizon LLM Agents [56.434418859203085]
  大規模言語モデル(LLM)エージェントは、多段階の環境相互作用を通じて、長い水平タスクに対処する。 単一の誤動作は、その後の状態や観測を変更でき、時間とともにエラーが複雑になる。 信頼性回復はロールバック境界制御問題として扱われるべきである。
  論文  参考訳（メタデータ） (2026-09-16T08:26:14Z)
• AttriMem: Attribution-Guided Process Feedback for Agent Memory Learning [13.898789808338634]
  RLを用いてメモリ構築ポリシーを学習するための帰属誘導プロセスフィードバックフレームワークを提案する。 AttriMemは、最終回答に対するトークンレベルのコントリビューションから得られる局所的な報酬で、グローバルな成果報酬を強化する。
  論文  参考訳（メタデータ） (2026-07-23T09:35:34Z)
• MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
  ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。 長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
  論文  参考訳（メタデータ） (2026-07-14T15:33:44Z)
• NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
  NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。 大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-26T14:35:27Z)
• Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management [63.48041801851891]
  Fine-Memは、きめ細かいフィードバックアライメントのために設計された統一されたフレームワークである。 MemalphaとMemoryAgentBenchの実験は、Fin-Memが強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-13T11:06:17Z)
• ArcMemo: Abstract Reasoning Composition with Lifelong LLM Memory [21.4675019810992]
  概念レベルのメモリは再利用され、ソリューショントレースから抽出されたモジュラー抽象化が自然言語に格納される。 我々は、合成一般化と抽象的推論を強調するベンチマークARC-AGIを評価する。 抽象概念は最も一貫したメモリ設計であり、全てのテストされた推論計算スケールでベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-09-04T17:54:19Z)

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。