論文の概要: Agentic Memory Management Is the Next Frontier of Information Retrieval

• arxiv url: http://arxiv.org/abs/2610.32464v1
• Date: Fri, 23 Oct 2026 10:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.495607
• Title: Agentic Memory Management Is the Next Frontier of Information Retrieval
• Title（参考訳）: エージェントメモリ管理は情報検索の次のフロンティア
• Abstract要約: 強調メモリ管理(英: Emphagentic memory management、AMM)は、知的エージェントの記憶における情報の構造、分析、組織、記憶、検索、検索、および表現を研究する。 本稿では,AMM のシステムレベルフレームワークを提案するとともに,メモリオブジェクトの計算分類を,それぞれ異なるセマンティクスを持つエンフォンステント,エンファンティファクト,およびエンファンティファクトとして導入する。 我々は、ベンチマーク、メモリユーティリティの候補原則、パラメトリックと非パラメトリックの更新を混合する最適化手順などに関する研究課題を概説する。
• 参考スコア（独自算出の注目度）: 28.238478746731957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information retrieval has long been focusing on connecting people with information they need to complete their tasks. Recently, the meaning of this has changed dramatically as more and more AI agents now consume, retain, and act on information on a user's behalf. Consequently, information management now also takes place \emph{inside} the agent in the form of memory management. In this perspective paper, we argue that \emph{agentic memory management} (AMM), which studies the structure, analysis, organization, storage, searching, retrieval, and \emph{use} of information in an intelligent agent's memory, is a natural extension of IR research and an area in which the IR community can make distinctive contributions. Specifically, we first present a system-level framework for AMM and introduce a computational taxonomy of memory objects as \emph{constants}, \emph{functions}, and \emph{operators}, each with distinct retrieval semantics. Then, we compare AMM with established IR research and identify their difference and connections. Last but not least, we outline a research agenda covering benchmarks, candidate principles of memory utility, optimization procedures that mix parametric and non-parametric updates, and more. We hope this paper could attract more people, both inside and outside the IR communities, to think more about AMM problems and research from IR perspectives.
• Abstract（参考訳）: 情報検索は長い間、タスクを完了させるために必要な情報と人々を結びつけることに重点を置いてきた。 近年、AIエージェントがユーザに代わって情報を消費し、保持し、行動するようになり、その意味は劇的に変化している。 その結果、情報管理は、メモリ管理の形式でエージェントのemph{inside}も行われるようになった。 本稿では、知的エージェントの記憶における情報の構造、分析、組織、記憶、検索、検索、および「emph{use}」を研究対象とする「emph{agentic memory management}」(AMM)が、IR研究の自然な拡張であり、IRコミュニティが独特な貢献をすることができる分野であると論じる。 具体的には、まず、AMMのためのシステムレベルフレームワークを提案し、それぞれ異なる検索意味を持つメモリオブジェクトの計算分類を \emph{constants} 、 \emph{functions} 、 \emph{operators} として導入する。 次に、AMMと既存のIR研究を比較し、それらの違いと関連性を同定する。 最後に、ベンチマーク、メモリユーティリティの候補原則、パラメトリックと非パラメトリックの更新を混合する最適化手順などについて概説する。 この論文は、IRコミュニティ内外を問わず、より多くの人々を惹きつけ、AMM問題やIRの観点からの研究についてより深く考えることを願っている。

関連論文リスト

• Memory Intelligence Agent [32.709148411051764]
  メモリシステムにより、ディープリサーチエージェント(DRA)は歴史的な経験を活用できる。 既存の方法は、推論を助けるために、メモリから類似の軌跡を取得することに依存している。 本稿では, Manager-Planner-Executorアーキテクチャからなる新しいメモリインテリジェンスエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-06T07:59:52Z)
• Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
  大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。 メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。 この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
  論文  参考訳（メタデータ） (2026-03-08T15:08:01Z)
• PlugMem: A Task-Agnostic Plugin Memory Module for LLM Agents [74.4491017652226]
  タスク固有の再設計なしに任意のLLMエージェントにアタッチ可能なタスク非依存メモリモジュールであるPlugMemを提案する。 意思決定関連情報が生の経験よりも抽象的な知識として集中しているという事実に感銘されて、認識科学に焦点をあてて、エピソード記憶をコンパクトで知識中心の記憶グラフに構造化する。 PlugMemを3つのベンチマーク(長期会話型質問応答、マルチホップ知識検索、Webエージェントタスク)で評価する。
  論文  参考訳（メタデータ） (2026-02-06T18:55:38Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• Rethinking Memory Mechanisms of Foundation Agents in the Second Half: A Survey [211.01908189012184]
  今年、何百もの論文が公開されたメモリは、ユーティリティギャップを埋めるための重要なソリューションとして現れます。 ファンデーションエージェントのメモリを3次元に統一したビューを提供する。 次に、異なるエージェントトポロジの下でメモリがどのようにインスタンス化され、操作されるかを分析する。
  論文  参考訳（メタデータ） (2026-01-14T07:38:38Z)
• Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
  メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。 本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。 次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
  論文  参考訳（メタデータ） (2025-05-01T17:31:33Z)
• A Survey on the Memory Mechanism of Large Language Model based Agents [66.4963345269611]
  大規模言語モデル(LLM)に基づくエージェントは、最近、研究や産業コミュニティから多くの注目を集めている。 LLMベースのエージェントは、現実の問題を解決する基礎となる自己進化能力に特徴付けられる。 エージェント-環境相互作用をサポートする重要なコンポーネントは、エージェントのメモリである。
  論文  参考訳（メタデータ） (2024-04-21T01:49:46Z)

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。