論文の概要: Discovering Effective Agent Memory Designs through Program Evolution
- arxiv url: http://arxiv.org/abs/2611.17068v1
- Date: Thu, 12 Nov 2026 16:42:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.556869
- Title: Discovering Effective Agent Memory Designs through Program Evolution
- Title(参考訳): プログラム進化による効果的なエージェントメモリ設計の発見
- Abstract要約: 我々は,最小限のシードから標準化されたライフサイクルインターフェースを通じて,メモリプログラム全体を進化させるフレームワークMAPEを紹介する。
LoCoMoとLongMemEvalの実験では、手動で設計したベースラインよりも最大12%の絶対精度が提供コストの35%で向上した。
- 参考スコア(独自算出の注目度): 25.61339098328683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Program evolution provides a promising approach to discover agent memory designs and study the choices underlying their effectiveness. We introduce MAPE, a framework that evolves whole memory programs from minimal seeds through a standardized lifecycle interface and an iterative diagnosis-proposal loop. Experiments on LoCoMo and LongMemEval yield an absolute accuracy gain of up to 12% over manually designed baselines at 35% of the serving cost, with further evaluations supporting transfer across serving backbones and benchmarks. Empirical analyses and ablations identify and validate two recurring design patterns: retaining raw conversations as retrievable evidence preserves details omitted from extracted memories, while composing retrieved evidence according to query intent helps the answering model use it effectively. Transplanting the composition module into five existing memory systems improves accuracy across all five. Beyond these patterns, the search objective shapes where computation goes: optimizing serving cost alongside accuracy shifts computation from LLM-based memory construction to selective processing at query time while retaining competitive accuracy. Together, these findings offer empirical lessons for agent memory design. Code is available at https://github.com/ash-ding/MAPE.
- Abstract(参考訳): プログラムの進化はエージェントメモリの設計を発見し、その効果の根底にある選択肢を研究するための有望なアプローチを提供する。
我々は,メモリプログラム全体を最小限のシードから,標準化されたライフサイクルインターフェースと反復的診断・プロモーサルループを通じて進化させるフレームワークMAPEを紹介する。
LoCoMoとLongMemEvalの実験では、手動で設計したベースラインを35%のサービスコストで最大12%の精度向上を実現した。
生の会話を検索可能な証拠として保持することは、抽出された記憶から省略された詳細を保存し、検索意図に従って検索された証拠を構成することは、回答モデルが効果的にそれを利用するのに役立つ。
合成モジュールを既存の5つのメモリシステムに移植すると、5つすべてで精度が向上する。
計算コストの最適化と精度の最適化は、計算をLLMベースのメモリ構造から、競合精度を維持しながら、クエリ時に選択的な処理に移行する。
これらの知見は、エージェントメモリ設計の実証的な教訓を提供する。
コードはhttps://github.com/ash-ding/MAPE.comで入手できる。
関連論文リスト
- Spatial Memory by Agents, for Agents [17.605606675439763]
空間記憶により、ロボットは過去の観測を再利用し、位置付け、ナビゲーション、質問応答を行うことができる。
コーディングエージェントが反復的な実装と評価によって設計プロセスを自動化することができるかどうかを検討する。
デザイナエージェントは、固定クエリエージェントからのフィードバックを使用して、メモリ構築と検索のためのコードを書き、修正する。
3つの独立したデザインサーチの中で、Codex / GPT-6 Astraは、同じ重み付けの5トラックスコアで平均44.23であり、ReMEmbRは29.32であり、5トラックすべてをサポートする最強の評価ベースラインである。
論文 参考訳(メタデータ) (2026-10-15T23:13:47Z) - MoPrO-SD: Modular Prompt Optimization for Stance Detection [39.69987233976982]
スタンス検出は、暗黙の意見、皮肉、文脈に依存したスタンス表現によって、大きな言語モデルにとって困難である。
我々は,プロンプトを機能的セマンティックモジュールに分解するスタンス固有のプロンプト最適化フレームワークであるMoPrO-SDを紹介する。
本稿では,命令のみの最適化(I),推論付き命令(I+R),サンプル単位の推論を用いた命令(I+R+E)の3つの改良戦略について検討する。
論文 参考訳(メタデータ) (2026-10-09T11:00:33Z) - ChipMEM: Verification-Grounded Memory for EDA Agents [8.441726626399651]
ChipMEMは、EDAエージェントのための検証済みのメモリ層である。
クロスタスクの手続き記憶と軌道内統計ガイダンスを組み合わせる。
一般的なアダプタは、RTL最適化とテストベンチ生成エージェントに同じメモリインターフェースを適用している。
論文 参考訳(メタデータ) (2026-09-22T21:03:30Z) - GraphMemix: Query-Aware Evidence Forests for Long-Term Multimodal Agent Memory [87.58855368314693]
メモリ構造をクエリ対応エビデンス・フォレスト構築としてモデル化するグラフメモリフレームワークであるGraphMemixを提案する。
4つの長期マルチモーダルメモリベンチマークの実験結果から,異なる基礎モデルによる大幅な改善が示された。
論文 参考訳(メタデータ) (2026-08-27T11:28:49Z) - 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) - MILES: Modular Instruction Memory with Learnable Selection for Self-Improving LLM Reasoning [17.668597279485407]
MILESは、ステップワイズメモリを動的に拡張し、現実的なテスト時間制約の下で正確性に最適化されたメモリ構成を適用するフレームワークである。
MILESは、優れた精度と効率のトレードオフを達成しつつ、従来手法と一貫して一致または性能を向上する。
論文 参考訳(メタデータ) (2026-07-08T03:51:37Z) - Mem-$π$: Adaptive Memory through Learning When and What to Generate [65.31077328444077]
本稿では,大規模言語モデル(LLM)エージェントにおける適応メモリのためのフレームワークを提案する。
Mem-$は検索ベースとRL最適化メモリベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2026-05-20T17:51:05Z) - AlpsBench: An LLM Personalization Benchmark for Real-Dialogue Memorization and Preference Alignment [54.72137309071243]
AlpsBenchはWildChatからキュレートされた2500の長期的相互作用配列から構成され、人間によって検証された構造化記憶と組み合わせられる。
我々は、パーソナライズされた情報抽出、更新、検索、利用の4つの重要なタスクを定義し、メモリ管理のライフサイクル全体を評価するためのプロトコルを確立する。
i)モデルが潜在ユーザ特性を確実に抽出するのに苦労していること、(ii)メモリ更新が最強モデルでもパフォーマンス天井に直面すること、(iii)大きなイントラクタプールの存在下での検索精度が急激に低下すること、(iv)明示的なメモリ機構がリコールを改善する一方で、リコールは行わないこと、などである。
論文 参考訳(メタデータ) (2026-03-09T11:06:19Z) - MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。
MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。
4つのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2026-01-13T18:51:16Z) - Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions [22.190297901876278]
メモリエージェントに不可欠な4つのコア能力、すなわち、正確な検索、テスト時間学習、長距離理解、選択的忘れの4つを特定した。
既存のベンチマークは、限られたコンテキスト長に依存するか、書籍ベースのQAのような静的で長いコンテキスト設定用に調整されている。
メモリエージェント用に特別に設計された新しいベンチマークであるMemoryAgentBenchを紹介する。
論文 参考訳(メタデータ) (2025-07-07T17:59:54Z)
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。