論文の概要: Graph-Mediated Large Language Model Systems in the Agentic Era: Reasoning, Knowledge, Retrieval, Execution, and Coordination
- arxiv url: http://arxiv.org/abs/2611.05953v1
- Date: Wed, 04 Nov 2026 04:47:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.945312
- Title: Graph-Mediated Large Language Model Systems in the Agentic Era: Reasoning, Knowledge, Retrieval, Execution, and Coordination
- Title(参考訳): エージェント時代のグラフ媒介型大規模言語モデルシステム:推論,知識,検索,実行,調整
- Abstract要約: この調査では、推論、知識と証拠、検索と記憶、実行、調整のための操作レベルの役割レベルの分類を紹介した。
グラフ観察と外部計算が意思決定をどのように導くか、メモリ表現と更新が後のタスクをどのようにサポートするか、依存関係が実行と情報配信を制限しているかを比較した。
- 参考スコア(独自算出の注目度): 12.02101549733919
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graphs play an increasingly important role in large language model (LLM) systems, supporting structural reasoning, knowledge grounding, retrieval, and memory. As these systems evolve toward the agentic era, graphs also organize execution dependencies and multi-agent communication, linking intermediate observations and retained information to subsequent decisions. However, understanding their contribution requires distinguishing the function of each graph operation, the component responsible for its computation, and the subsequent use of its output. This survey introduces an operation-level role--locus taxonomy for reasoning, knowledge and evidence, retrieval and memory, execution, and coordination. We compare how graph observations and external computations guide decisions, how memory representations and updates support later tasks, and how dependencies constrain execution and information delivery. These comparisons distinguish improvements in local metrics from downstream task performance while retaining the conditions under which results were reported. We then organize benchmarks, comparison designs, process diagnostics, and system costs into an evaluation framework. Finally, we identify open challenges in adaptive computation and stopping, memory maintenance, and dependency-aware recovery. The survey provides a basis for assessing when graph mechanisms are useful and for evaluating their effects across components and stages.
- Abstract(参考訳): グラフは、構造的推論、知識基盤、検索、メモリをサポートする大規模言語モデル(LLM)システムにおいて、ますます重要な役割を果たす。
これらのシステムがエージェント時代に向かって進化するにつれて、グラフは実行依存やマルチエージェント通信を整理し、中間観測と保持情報をその後の決定にリンクする。
しかし、それらの貢献を理解するには、各グラフ演算の関数、その計算に責任のあるコンポーネント、そしてその後の出力の使用を区別する必要がある。
本調査では, 推論, 知識と証拠, 検索と記憶, 実行, 調整のための操作レベルの役割分類を導入する。
グラフ観察と外部計算が意思決定をどのように導くか、メモリ表現と更新が後のタスクをどのようにサポートするか、依存関係が実行と情報配信を制限しているかを比較した。
これらの比較は、結果が報告された条件を維持しながら、ダウンストリームタスクのパフォーマンスからローカルメトリクスの改善を区別する。
次に、ベンチマーク、比較設計、プロセス診断、システムコストを評価フレームワークにまとめます。
最後に、適応計算と停止、メモリメンテナンス、依存性認識回復におけるオープンな課題を特定する。
この調査は、グラフメカニズムがいつ有用かを評価するための基盤と、コンポーネントやステージ間での効果を評価するための基盤を提供する。
関連論文リスト
- Building Trustworthy Graph-Agentic RAG for Social Good: Architectures, Failure Propagation, and Assurance by Construction [0.0]
グラフ関連検索拡張生成では、構造化されたエビデンスと適応的なコントローラを組み合わせることで、検索の計画、トラバース関係、中間クレームの検証、サブタスクの委譲、ツールの使用が可能になる。
そこで我々は,新鮮さ,承認,トレーサビリティ,監視,関連事項を回答の質とともに考慮し,社会的良質な設定のために,そのようなシステムをいかに設計し,評価するかを検討する。
論文 参考訳(メタデータ) (2026-09-06T05:04:06Z) - Terminal Agents: A Survey of AI Agents in Command-Line Environments [102.48222742145474]
大規模言語モデルエージェントは、ターミナルを通してますます行動するが、既存の調査は、ソフトウェア工学、ツールの使用、コンピュータ利用の研究にまたがって端末による振る舞いを分散させている。
我々は,端末エージェントを,端末コマンドの実行,テキストフィードバック,ステートフルな環境相互作用を介し,進行を伴う動作を主とするシステムとみなす。
我々の合成は、実現された行動はモデル、インターフェース、ハーネス、ランタイム、環境によって共同で形成されていることを示している。
論文 参考訳(メタデータ) (2026-08-20T18:16:44Z) - From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。
まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。
次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
論文 参考訳(メタデータ) (2026-06-14T05:40:16Z) - GraphReAct: Reasoning and Acting for Multi-step Graph Inference [49.26607058250454]
GraphReActは、グラフ構造化データに対するステップバイステップの推論を可能にするグラフ推論実行フレームワークである。
検索と精細化の両方で推論をインターリーブすることで、我々のフレームワークは文脈拡張から圧縮への進歩的な移行を可能にします。
論文 参考訳(メタデータ) (2026-05-08T07:09:42Z) - El Agente Gráfico: Structured Execution Graphs for Scientific Agents [7.47895130442454]
タイプセーフな実行環境内に,大規模言語モデル(LLM)による意思決定を組み込んだ単一エージェントフレームワークであるEl Agente Grficoを紹介する。
我々のアプローチの中心は、科学概念の構造化された抽象化と、型付きPythonオブジェクトとして計算状態を表すオブジェクトグラフマッパーである。
大学レベルの量子化学タスクのスイートにまたがって,自動ベンチマークフレームワークを開発することにより,システムの評価を行う。
論文 参考訳(メタデータ) (2026-02-19T23:47:05Z) - 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) - Reasoning in Computer Vision: Taxonomy, Models, Tasks, and Methodologies [0.0]
本調査は,視覚的推論を5つの主要なタイプ(関係性,象徴性,時間性,因果性,共通性)に分類することを目的とする。
機能的正当性,構造的整合性,因果妥当性を評価し,その限界を一般化可能性,説明力の観点から批判的に分析する。
論文 参考訳(メタデータ) (2025-08-14T10:53:35Z) - AVIS: Autonomous Visual Information Seeking with Large Language Model
Agent [123.75169211547149]
本稿では,視覚的質問応答フレームワークAVISを提案する。
本手法は,LLM(Large Language Model)を利用して外部ツールの利用を動的に強化する。
AVIS は Infoseek や OK-VQA などの知識集約型視覚質問応答ベンチマークの最先端結果を達成する。
論文 参考訳(メタデータ) (2023-06-13T20:50:22Z)
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。