論文の概要: Agent Memory as Recommendation: Recommender-System Design for Long-Term Memory of LLM Agents

• arxiv url: http://arxiv.org/abs/2610.34673v1
• Date: Mon, 26 Oct 2026 01:05:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.660903
• Title: Agent Memory as Recommendation: Recommender-System Design for Long-Term Memory of LLM Agents
• Title（参考訳）: レコメンデーションとしてのエージェントメモリ:LLMエージェントの長期記憶のためのレコメンダ-システム設計
• Abstract要約: 大規模言語モデル(LLM)エージェントは、リクエスト毎に、限られたコンテキストウィンドウに入る数少ない記憶メモリを選択する必要がある。 この選択には,大規模で成長するストア,要求毎のコスト予算,エビデンスをすべて必要とするマルチセッションの質問という,3つの課題がある。 エージェントメモリを予算化されたスレートレコメンデーションとして形式化し、リクエストをユーザとして、メモリをアイテムとして、コンテキストウィンドウをスレートとして保存する。
• 参考スコア（独自算出の注目度）: 8.344663246893925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents that serve users across many sessions must choose, for every request, the few stored memories that enter a limited context window. This choice largely decides whether the agent answers correctly, and it runs on every request at Web scale. This selection faces three challenges: a large and growing store, a per-request cost budget, and multi-session questions that need all of their evidence. Many memory systems build notes or graphs with hundreds to thousands of LLM calls per history, and each is designed on its own, so it is unclear which component yields the accuracy. These challenges mirror the properties of recommendation, so we formalize agent memory as budgeted slate recommendation, with the request as the user, stored memories as items and the context window as a slate. The formalization places memory systems in one design space of recommender cascades and factorizes accuracy into the completeness that each stage controls. Guided by it, we propose AgentMemRec, which adapts candidate generation, learning to rank and slate construction from recommender systems and selects memories without any LLM call. On multi-session questions of LongMemEval, AgentMemRec outperforms memory and context-selection methods, including A-Mem, HippoRAG 2, DynamicRAG and T-Mem, by 10 to 31 points of accuracy. It matches an LLM reranker that makes 64 calls per query at 3.2 times lower serving cost, and on LoCoMo it outperforms Mem0 and Zep without any LLM call at write time. The factorization attributes the gains to slates that more often hold all of the evidence, so recommender-system design offers an effective and efficient foundation for the long-term memory of LLM agents.
• Abstract（参考訳）: 多くのセッションにまたがってユーザに提供する大規模言語モデル(LLM)エージェントは、要求毎に限られたコンテキストウィンドウに入る数少ない記憶メモリを選択する必要がある。 この選択は、エージェントが正しく答えるかどうかを判断し、Webスケールのすべてのリクエストで実行される。 この選択には,大規模で成長するストア,要求毎のコスト予算,エビデンスをすべて必要とするマルチセッションの質問という,3つの課題がある。 多くのメモリシステムは、履歴ごとに数百から数千のLSMコールを持つノートやグラフを作成し、それぞれが独自に設計されているため、どのコンポーネントが正確かは不明である。 これらの課題はレコメンデーションの特性を反映しているため、エージェントメモリを予算化されたスレートレコメンデーションとして形式化し、リクエストをユーザとして、メモリをアイテムとして、コンテキストウィンドウをスレートとして保存する。 この形式化は、メモリシステムをレコメンダカスケードの1つの設計空間に配置し、各ステージが制御する完全性に精度を分解する。 本稿では,候補生成に適応し,推薦システムから構築をランク付けし,スレートするAgentMemRecを提案する。 LongMemEvalのマルチセッション質問では、AgentMemRecはA-Mem、HippoRAG 2、DynamicRAG、T-Memなどのメモリおよびコンテキスト選択メソッドを10から31ポイント精度で上回る。 LLMのリランカと一致し、1クエリあたり64コールを3.2倍のサービスコストで処理し、LoCoMoでは書き込み時にLLMコールなしでMem0とZepを上回ります。 因子化は、全ての証拠をより頻繁に保持するスレートの利得に起因しているため、レコメンダ・システムの設計は、LLMエージェントの長期記憶の有効かつ効率的な基礎を提供する。

関連論文リスト

• 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)
• 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)
• Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
  大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。 本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
  論文  参考訳（メタデータ） (2025-08-27T12:26:55Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。