論文の概要: Agentic Context Management for Multi-Turn Human-AI Conversations

• arxiv url: http://arxiv.org/abs/2611.00518v1
• Date: Sat, 31 Oct 2026 01:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.411942
• Title: Agentic Context Management for Multi-Turn Human-AI Conversations
• Title（参考訳）: マルチターンヒューマンAI対話におけるエージェントコンテキスト管理
• Abstract要約: Agentic Conversation Context Curation (AC3)は、ユーザのメッセージのみからタスク仕様を統合する。 仕様を抽出しながらアシスタントの推論を見るアナライザは、介入をしないよりも悪いことができる。 GPT-5ミニ判事は、メインテーブルのすべての構成において、完全なコンテキストとAOの両方よりもAC3の次のターンを好む。
• 参考スコア（独自算出の注目度）: 73.76756428113623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs degrade in multi-turn conversation partly because of context pollution: the model's own earlier outputs stay in context and anchor later turns, so an early misreading of the user's intent can persist after the user corrects it. Assistant omission (AO), dropping every assistant message, removes this pollution but fails when interaction is referential: later turns refer back to drafts, decisions, and tool-call results that exist only in assistant turns. We propose Agentic Conversation Context Curation (AC3), a training-free method in which a separate analyzer (1) consolidates the task specification from the user's messages alone, (2) audits the assistant's prior outputs against it, and (3) edits the context, either appending the analysis or discarding the assistant side and rebuilding the context from the specification. A second finding: pollution is contagious. An analyzer that sees the assistant's reasoning while extracting the specification can do worse than no intervention, and instructing it to ignore them did not close the gap, so we exclude assistant turns structurally. On Lost in Conversation (replaying difficulty-selected instances), where AO is an oracle by construction, AC3 closes 55-84% of the gap between full context and AO on three of four tasks and exceeds AO on the fourth, and an LLM that faithfully summarizes the history does not reproduce the gain even with more compute. On real WildChat conversations, a GPT-5-mini judge prefers AC3's next turn over both full context and AO in every configuration of our main table, though this preference depends on the judge; on CollabLLM results are mixed. In stateful tool use (tau2-bench), AO collapses to 0% on every model; AC3 does not collapse, though it falls slightly behind full context. Detector studies show that Reset removes injected pollution but is not span-selective: the gain comes from rebuilding the specification.
• Abstract（参考訳）: モデルの初期の出力はコンテキスト内に留まり、後でアンカーするので、ユーザがそれを修正した後、ユーザーの意図の早期の誤読が持続する。 AO(Assistant omission)は、すべてのアシスタントメッセージを削除し、この汚染を除去するが、インタラクションが参照されるときに失敗する。 本稿では,(1)個別のアナライザがユーザのメッセージのみからタスク仕様を集約し,(2)アシスタントの事前出力をそれに対して監査し,(3)分析を付加するか,あるいはアシスタント側を捨ててコンテキストを仕様から再構築する,学習自由な手法であるAgentic Conversation Context Curation(AC3)を提案する。 第二の発見:汚染は伝染性である。 仕様を抽出する際のアシスタントの推論を判断するアナライザは、介入をしないよりも悪くなり、それらを無視するように指示することはギャップを埋めることができないため、我々は、アシスタントのターンを構造的に排除する。 4つのタスクのうち3つのタスクで完全なコンテキストとAOの間のギャップの55～84%を閉じ、第4のタスクでAOを超え、歴史を忠実に要約するLLMはより多くの計算でも利得を再現しない。 実際のWildChatの会話では、GPT-5-miniのジャッジは、メインテーブルのすべての構成において、AC3の次のターンとAOの両方を優先します。 ステートフルツールの使用(Tau2-bench)では、AOはすべてのモデルで0%に崩壊する。 インテグレータの研究によると、Resetは注入された汚染を除去するが、パースペクティブではない。

関連論文リスト

• When Agentic Retrieval Fails Silently: Framework and Production Evidence from a Creative AI Assistant [2.0636093945771328]
  階層化エージェント検索評価(Layered Agentic Retrieval Assessment, LARA)は、検索品質、エンゲージメント、結果を測定する。 1つの検索インフラがギャラリー検索サーフェスとエージェントアシスタントを、同じユーザ人口のセッションボリュームの約8分の1で提供するAdobe Expressのモチベーションについて検討する。
  論文  参考訳（メタデータ） (2026-10-21T20:32:56Z)
• Clarification Is Not Correction: LLMs Fail to Let Go [6.108168944049461]
  多くの会話において、モデルは忘れないが、コミットは早すぎる。 未解決のユーザ意図がコミットされたタスク状態に崩壊するのです。 本稿では,Gemini-2.5-Pro と Gemini-2.5-Flash を用いて,記述,計画,コーディングにおける制御された対話タスクを用いて学習する。
  論文  参考訳（メタデータ） (2026-09-21T19:28:11Z)
• IACM-RL: Intent-Aware Context Management and Reinforcement Learning for Complex Tool Invocation under Dynamic Intent Fluctuations [86.93902234336393]
  IACM-RLは、堅牢なツール呼び出しのための包括的なフレームワークである。 我々は、13のきめ細かいゆらぎシナリオにまたがる軌道を合成するDynamicIntentパイプラインを導入する。 第2に、IACM-RLはBeliefStateベースのセルフ生成コンテキストマネージャをデプロイする。
  論文  参考訳（メタデータ） (2026-08-03T12:09:50Z)
• ProactBench: Beyond What The User Asked For [5.422521416406412]
  ProactBenchは、textscEmergent、単一の公開アンカーからの推論、textscCritical、複数のアンカー間での合成、textscRecovery、タスク完了後の前方にある値の3つのフェーズ型に分解する。 我々の情報アシンメトリーは、スタイル強調スコア、漏洩、外部コンテキスト汚染、情報ダンプに対して防御します。
  論文  参考訳（メタデータ） (2026-05-09T23:56:04Z)
• Do LLMs Benefit From Their Own Words? [56.73014497206615]
  先行するアシスタント応答の除去は,少数のターンにおいて応答品質に影響を与えないことがわかった。 アシスタント側コンテキストのオミッティングは、累積コンテキストの長さを最大10倍に減らすことができる。 本研究は, 記憶量削減を図り, アシスタント履歴を選択的に省略することで, 応答品質を向上できることを示唆する。
  論文  参考訳（メタデータ） (2026-02-27T18:58:26Z)
• Context Branching for LLM Conversations: A Version Control Approach to Exploratory Programming [0.0]
  大規模言語モデル(LLM)は、ソフトウェア工学にとって不可欠なものとなっているが、その効果はマルチターン会話において著しく低下している。 LLMインタラクションにバージョン制御のセマンティクスを適用する会話管理システムであるContextBranchを提案する。
  論文  参考訳（メタデータ） (2025-12-15T21:49:13Z)
• See, Say, and Segment: Teaching LMMs to Overcome False Premises [67.36381001664635]
  この課題を解決するために,LMMのカスケードと共同学習手法を提案する。 得られたモデルでは、画像中に物体が存在するかどうかを検知し、その物体が存在しないかをユーザに「例」し、最終的に、対象物のマスクを出力することで「分類」を行う。
  論文  参考訳（メタデータ） (2023-12-13T18:58:04Z)
• Phrase Retrieval for Open-Domain Conversational Question Answering with Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
  Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。 そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T09:46:38Z)
• Towards End-to-End Open Conversational Machine Reading [57.18251784418258]
  オープン検索型会話機械読解(OR-CMR)タスクでは,機械は対話履歴とテキスト知識ベースに応答するマルチターン質問を行う必要がある。 OR-CMRを完全エンドツーエンドで統一されたテキスト・ツー・テキスト・タスクとしてモデル化し、ShARCおよびOR-ShARCデータセットを用いた実験により、提案したエンドツーエンド・フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-13T15:50:44Z)

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。