論文の概要: Who Schedules Agent Memory? A Sidecar Approach to Long-Horizon Tasks
- arxiv url: http://arxiv.org/abs/2611.00779v1
- Date: Sat, 31 Oct 2026 09:45:28 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 20:15:57.114596
- Title: Who Schedules Agent Memory? A Sidecar Approach to Long-Horizon Tasks
- Title（参考訳）: エージェントメモリをスケジューリングする人 : 長距離タスクに対するサイドカーアプローチ
- Abstract要約: 本稿では,メモリスケジューリングをタスク実行から独立に選択可能な2つのモードで分離するMemSidecarを提案する。
HooksとForesightはMCP-Personaでそれぞれ41.23%と44.34%のスコアを獲得し、実行コストとレイテンシを効果的に削減し、ロングホライゾンエージェントの実行効率を向上した。
- 参考スコア（独自算出の注目度）: 4.4952210497287775
- License:
- Abstract: As large language model agents increasingly undertake complex, long-horizon tasks, memory has become an important component for supporting sustained decision-making and action. Existing methods primarily focus on memory storage, updating, and retrieval, but often overlook how memory scheduling affects task execution: the main agent must identify memory needs, initiate retrieval, and wait for results while advancing the task, increasing both scheduling burden and execution time. To address this problem, we propose MemSidecar, which decouples memory scheduling from task execution through two independently selectable modes. Hooks directly delivers bound memory to the main agent when execution events match predefined conditions. Foresight uses an independent agent to predict potential queries, retrieve results in parallel, and store them in a cache, delivering matching and valid results when actual requests arrive. Hooks and Foresight achieve scores of 41.23% and 44.34% on MCP-Persona, respectively, while effectively reducing execution costs and latency and improving the efficiency of long-horizon agent execution.
- Abstract（参考訳）: 大規模言語モデルエージェントはますます複雑で長期にわたるタスクをこなすようになっているため、記憶は持続的な意思決定と行動を支援する重要な要素となっている。
既存のメソッドは主にメモリストレージ、更新、検索に重点を置いているが、多くの場合、メモリスケジューリングがタスクの実行にどのように影響するかを見落としている。
そこで本研究では,メモリスケジューリングをタスク実行から2つの独立した選択可能なモードで分離するMemSidecarを提案する。
Hooksは、実行イベントが事前に定義された条件にマッチした場合、バウンドメモリを直接メインエージェントに配信する。
Foresightは、独立したエージェントを使用して、潜在的なクエリを予測し、結果を並列に取得し、キャッシュに格納し、実際のリクエストが到着した時に、マッチングと有効な結果を提供する。
HooksとForesightはMCP-Personaでそれぞれ41.23%と44.34%のスコアを獲得し、実行コストとレイテンシを効果的に削減し、ロングホライゾンエージェントの実行効率を向上した。
関連論文リスト
- Just-In-Time Agent Memory with Runtime Agentic Research [22.199769439257754]
メモリはAIエージェントにとって重要である。
多くの既存のエージェントメモリシステムはAhead-of-Time (AOT)設計に従っており、特定の要求が来る前にメモリを構築する。
実行時にクエリ条件付きコンテキスト構築のためのトレーニング可能なフレームワークであるJust-In-Time Agent Memory (JAM)を提案する。
論文 参考訳（メタデータ） (2026-09-28T06:01:09Z) - MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents [14.296334759650918]
ロングホライゾンエージェントは、経験を再利用するためにメモリに依存しているが、既存のメモリシステムは、エビデンスを固定表現によって直接消費できると仮定している。
MemPrismはタスク条件付きリレーショナルメモリフレームワークで、永続的なエクスペリエンスストレージと意思決定時のワーキングメモリを分離する。
MemPrismは、特にトラジェクトリが長くなり、メモリトークンの消費が減少するにつれて、タスクパフォーマンスを継続的に改善する。
論文 参考訳（メタデータ） (2026-08-07T03:13:43Z) - UniMem: Complementary Episodic-to-Parametric Memory for Boundary-Agnostic Task Streams [77.52140119830241]
自律型メモリ管理のためのセルフルーティングフレームワークUniMemを提案する。
UniMemは学習可能なルーティングトークンをメモリコントローラとして使用し、相補的なメモリ経路間の適応的な調整を可能にする。
長距離ストリーミングタスクシーケンスの実験では、UniMemは実行の忠実さを維持しながらベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-07-28T17:28:21Z) - 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) - What Memory Do GUI Agents Really Need? From Passive Records to Active Task-Driving States [29.883598855446976]
モバイルGUIエージェントは、ページやアプリケーション間でのタスク関連データの読み込み、更新、再利用を必要とする長い水平タスクに直面している。
既存の方法は、メモリを主にパッシブストレージとして扱い、過去の観測が蓄積され、必要に応じて回収される。
本稿では,GUIエージェントメモリをパッシブストレージからアクティブに保守された実行状態に移行するアクティブタスク駆動メモリ(ATMem)を提案する。
論文 参考訳（メタデータ） (2026-06-30T13:01:19Z) - MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。
マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。
MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
論文 参考訳（メタデータ） (2026-02-18T09:49:14Z) - Learning to Share: Selective Memory for Efficient Parallel Agentic Systems [49.78267008828593]
エージェントシステムは、反復的に推論する複数のエージェントを調整することで複雑なタスクを解決し、ツールを呼び出し、中間結果を交換する。
最近のアプローチでは、さまざまな推論の軌跡を探索するために、複数のエージェントチームが並行して運用されている。
我々は並列エージェントフレームワークのための学習された共有メモリ機構であるLearning to Share (LTS)を提案する。
論文 参考訳（メタデータ） (2026-02-05T18:20:21Z) - Enhancing Conversational Agents via Task-Oriented Adversarial Memory Adaptation [64.69535903624033]
本稿では,タスク実行をシミュレートすることで,メモリ構築と更新をタスク目標と整合させるアダクティブメモリ適応機構を提案する。
AMAは、様々な既存のメモリシステムに統合することができ、LongダイアログベンチマークであるLoCoMoの広範な実験により、その効果が示されている。
論文 参考訳（メタデータ） (2026-01-29T14:42:34Z) - Mem2ActBench: A Benchmark for Evaluating Long-Term Memory Utilization in Task-Oriented Autonomous Agents [20.357475946040054]
textscMem2ActBenchは、エージェントがツールベースのアクションを実行するために長期的なメモリを積極的に活用できるかどうかを評価するベンチマークである。
リバースジェネレーション法は400のツール使用タスクを生成し、ヒトの評価は91.3%が強いメモリ依存であることを確認した。
論文 参考訳（メタデータ） (2026-01-13T06:22:32Z) - 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)
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。