論文の概要: Persistent Retrieval for Conversational Agents: A Study of Retrieval Efficiency

• arxiv url: http://arxiv.org/abs/2611.07899v1
• Date: Thu, 05 Nov 2026 12:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.676967
• Title: Persistent Retrieval for Conversational Agents: A Study of Retrieval Efficiency
• Title（参考訳）: 会話エージェントの永続検索:検索効率の検討
• Abstract要約: 設計選択は、検索履歴の維持方法、各モデルコールが受信するコンテキスト、フォローアップ質問で再検索する必要がある情報に影響を及ぼす。 我々は,主エージェントにおけるスキルベース検索,発見応答を生成する非永続的検索サブエージェント,永続的検索サブエージェントの3つの設計を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational agents can retrieve information directly or delegate retrieval to a subagent. This design choice affects how retrieval history is maintained, what context each model call receives, and what information must be re-retrieved in follow-up questions. We compare three designs: skill-based retrieval in the main agent, a non-persistent retrieval subagent that generates a findings response, and our persistent retrieval subagent, which maintains retrieval history across turns and returns retrieved evidence directly to the main agent. Our approach also allows the main agent to request corrections from the same subagent. We evaluate the three designs on enterprise questions posed independently, within shared conversations, and as dependent follow-ups. Across five multi-turn settings, our approach uses 43.3% fewer recorded agent-model tokens and incurs 45.0% lower estimated API cost than skill-based retrieval, while reducing average response time by 9.1%. Compared with non-persistent retrieval, it reduces response time by 15.6 seconds per question, while using 65.1% more tokens and incurring 29.1% higher estimated API cost. Our approach shifts the retrieval subagent from producing synthesized responses to maintaining retrieval state and supplying evidence that the main agent can directly evaluate and use for answer generation.
• Abstract（参考訳）: 会話エージェントは情報を直接検索したり、サブエージェントに検索を委譲することができる。 この設計選択は、検索履歴の維持方法、各モデルコールが受信するコンテキスト、フォローアップ質問で再検索する必要がある情報に影響を及ぼす。 我々は,主エージェントにおけるスキルベース検索と,発見応答を生成する非永続的検索サブエージェントと,主エージェントに直接検索された証拠を返却するターン間の検索履歴を保持する永続的検索サブエージェントの3つの設計を比較した。 私たちのアプローチでは、メインエージェントが同じサブエージェントから修正をリクエストすることも可能です。 企業における質問に対する3つのデザインを個別に、共有会話の中で、従属的なフォローアップとして評価する。 5つのマルチターン設定にまたがるアプローチでは、記録されたエージェントモデルトークンを43.3%削減し、スキルベースの検索よりも推定APIコストを45.0%削減し、平均応答時間を9.1%削減する。 非永続的な検索と比較して、1問あたり15.6秒の応答時間を短縮し、65.1%のトークンを使用し、29.1%のAPIコストを発生させる。 提案手法は,検索サブエージェントを合成応答の生成から,検索状態の維持,およびメインエージェントが直接回答生成に有効であることを示す。

関連論文リスト

• SteerSearch: Interactive Search Reasoning with Mid-Response Steering [20.66418462803588]
  本研究では,現在進行中の推論や検索において,ユーザがモデルをリダイレクトする,応答中型のステアリングについて検討する。 本稿では,対話型検索トラジェクトリをインジェクションでトレーニングするRLフレームワークであるSteerSearchを紹介し,コンテキスト保存対象再割り当てを可能にする。
  論文  参考訳（メタデータ） (2026-10-16T22:38:05Z)
• Programmatic Search Agents: Extending Agentic Search Beyond Query Reformulation [15.421250076594484]
  Programmatic Search Agent (PSA) は、候補に対する局所的な実行可能計算を検索アクションの単位とする。 PSAは、永続的な候補ワークスペース、柔軟な原始構成、選択的エビデンス提示を統一する。 クエリベースのエージェントとは対照的に、PSAはマクロ平均タスクの成功を4.00と7.56ポイント改善する。
  論文  参考訳（メタデータ） (2026-10-05T16:52:57Z)
• LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents [63.75550089045995]
  ロングホライズン検索エージェントは、理由として急速に成長する作業状況を管理し、ツールを呼び、情報を観察しなければならない。 エージェントの軌道の一部は、タスクに対する現在の関連性に応じて、異なるレベルで細部まで維持される。 我々は10kの合成軌道上にQwen3-30B-A3Bを微調整した長距離探索エージェントであるLongSeekerを開発した。
  論文  参考訳（メタデータ） (2026-05-06T17:54:16Z)
• Learning to Retrieve from Agent Trajectories [72.8923565916533]
  我々はエージェント間相互作用データから直接エージェント探索のための検索モデルを訓練すべきであると主張している。 エージェント・トラジェクトリからの学習を新たな訓練パラダイムとして導入し,マルチステップエージェントのインタラクションから指導を導出する。 本研究は,エージェント探索時代における検索の方向性を示すとともに,エージェントトラジェクトリを実用的でスケーラブルな監視源として強調するものである。
  論文  参考訳（メタデータ） (2026-03-30T17:59:02Z)
• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• InfoAgent: Advancing Autonomous Information-Seeking Agents [143.15973604285304]
  本稿では,革新的なデータ合成パイプラインとWeb検索ツールを駆使したディープリサーチエージェントInfoAgentを紹介する。 我々の方法では、InfoAgentはBrowseCompで15.3%、BrowseComp-ZHで29.2%、Xbench-DSで40.4%の精度を達成した。
  論文  参考訳（メタデータ） (2025-09-29T17:59:57Z)

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。