登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 エージェントメモリ
エージェントメモリ コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
エージェントメモリ を含む検索結果
「エージェントメモリは複雑なほど良い」は本当でしょうか? タイトル: Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought URL: ❓ そもそも何を問う論文? 抽出・要約・グラフ化・更新を備えた「エージェンティックメモリ」は、素朴なRAGより優れているのか。その差が弱いベースラインのせいではないかを検証しています。 ❓ 比較した「素朴なRAG」とは? 💡 Raw-RAGは、会話を256トークンの窓に切って埋め込み、上位128件を取得、クロスエンコーダで15件に絞ってLLMに渡すだけ。LLMによる抽出・要約・グラフ構築は一切ありません。 ❓ 結果は? 💡 7つの設定のうち6つでRaw-RAGがメモリシステム中トップ。MemoryAgentBenchではMemoraの43.84に対し48.32でした。しかも取り込みは速く、約100万トークンでRaw-RAGは0.33時間、Memoraは26.95時間です。 ❓ なぜ複雑な仕組みは勝てない? 💡 差を生むのは証拠を使う力より届ける力でした。原子的事実の抽出を足すと19.62ポイント低下し、要約やグラフ拡張も約6ポイント悪化。変換したストアは生の証拠に届きませんでした。 #AIエージェント# #RAG#
もっと見る
エージェントのメモリは、検索を足すより「根拠までたどれる構造」を作るほうが効くのかもしれません🧠 Building Evidence-Grounded Agent Memory with OpenWiki and Graphs LangChainのブログでは、文書をコンパイルしたWiki(OpenWiki)と、その引用から作るエビデンスグラフを組み合わせ、複数文書にまたがる質問への精度を上げています。 注目ポイントは3つです。 📚 原文にハッシュで紐づくWiki Wikiの各記述は根拠となる原文の行とそのハッシュに結びつきます。原文が変わるとモデルを呼ばずに該当クレームにフラグが立ち、そこだけをモデルが見直すため、メモリが自己修正できます。 🔗 引用から作る型付きエッジ cite、supersede、refers_toなどのエッジを、既存の引用や文書内の参照から追加のモデル呼び出しなしで作ります。agentはlocateで起点を見つけ、expandでたどるだけです。グラフの構築は1秒未満でした。 📊 連結質問で精度が約5倍 保険文書111本の合成コーパスで、連結質問の精度は検索の0.10からWikiの0.52へ上がりました。エビデンスグラフを足すと精度は27%向上し、コストは58%下がりました。一方、単純な参照では検索と差がありませんでした。 メモリは、複数ソースにまたがる質問を繰り返す場面で効く、という整理が参考になります。 #AIエージェント# #エージェントメモリ#
もっと見る
エージェントのメモリは、実はIR(情報検索)の問題だ。清華大学のQingyao Ai氏による、そんな問題提起のパースペクティブ論文です。 タイトル: Agentic Memory Management Is the Next Frontier of Information Retrieval URL: 🧠 概要 IRは「検索結果を読むのは人間」という前提で発展してきました。しかしエージェントは検索した情報を自分の内部状態として使います。この論文は、エージェントのメモリ管理をAMMとして整理します。 ❓ 解決する課題 エージェントメモリの研究は場当たり的で、人間の心理学から借りた用語が一貫せず、評価も弱いままです。 🧩 提案する枠組み ・constants:事実(内容でマッチ) ・functions:スキルやワークフロー(適用可能性でマッチ) ・operators:好みやスタイル(スコープでマッチ) 追加・更新・削除・検索・利用の5操作を、学習・忘却・利用にまとめます。RAG、MemGPT、Mem0なども分類し、再利用可能なスキルや原理的な忘却が手薄だと指摘しています。 🔭 今後の課題 ・3層を網羅し忘却も測るベンチマーク ・下流タスクの成果で診断できる「観測可能性の反転」 ・メモリポイズニングなど人間による制御とセキュリティ 実験はなく、枠組みと推測を示す論文です。 #AgentMemory# #情報検索#
もっと見る
エージェントのメモリ管理、毎回LLMに聞きに行っていませんか?その無駄を「速い脳」と「遅い脳」で切り分けた研究です。 タイトル: Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents URL: 人間の二重過程理論(System One / System Two)にヒントを得て、メモリ操作の大半を軽量な構造化判断で処理し、複雑な推論だけをLLMに残すアーキテクチャです。注目ポイントを3つ紹介します。 🧠 System-Oneによる型付き制御 種別判定・関係判定・クエリルーティングといった頻出操作を、自由形式のテキストではなく確率やラベルを返す軽量インターフェースで処理。メモリ構築と検索の両方を同じ仕組みで統治します。 🕸️ 4種の関係を持つマルチリレーショナルグラフ 意味・時間・因果・エンティティという4つの視点でメモリをグラフ化し、クエリごとに関連度の高いビューへ予算を配分して探索することで、無駄な探索を避けます。 📊 精度と速度の同時改善 LoCoMoベンチマークで総合スコア0.777とベースライン比11%向上。メモリ構築は158秒で最速ベースライン比6.6倍高速、クエリ応答も0.93秒で36.7%短縮しました。 制御と推論を分離するという発想が、精度と効率を両立させた点に意義を感じます。 #AIエージェント# #メモリアーキテクチャ#
もっと見る
エージェントの「記憶」は、どう設計すればいいのでしょうか。Anthropicは、人間の睡眠中の記憶固定になぞらえた「ドリーミング」という考え方を示しました🧠 The components of agent memory ❓ メモリはどんな層でできているの? 💡 下から、全記録のトランスクリプト、作業中に書くメモリノート、wikiなどの構造化された表現、毎セッション自動で読み込まれる小さな注入コンテキストです。注入層は誤りも毎回持ち込むため、インデックス程度に小さく保ちます。 ❓ ドリーミングって何? 💡 セッション間にオフラインで下位層を読み、上位層を更新する統合処理です。トランスクリプトと照合してノートの誤りを直し、重複を統合し、重要なものを昇格させます。Pokémon RedのMt. Moonでは、誤ったノートを直した後でCerulean Cityに到達しました。 ❓ 本当に効くの? 💡 ・CL-Benchで、Opus 5は0.564から0.828に向上 ・Stainlessの約35万ファイルでは、wiki単体の正答率がドリーミング2回の13%から128回の48%に上昇 ・wikiと検索の併用で、1問あたり約20,000トークンを節約 ただし多くは単一実行の結果で、効果量は目安として読むべきです。 ❓ 何を書かせるのがいい? 💡 画面やツールから毎回分かる情報ではなく、戦略や検証済みルールを残させます。「失敗だけ記録せよ」のような固定ルールは、強いモデルほど利得を減らしました。 #AIエージェント# #エージェントメモリ#
もっと見る
エージェントのモデルをアップグレードした翌日、なぜか回答の質が静かに落ちている。そんな経験はないでしょうか。 多くのチームは、モデルの入れ替えを「ただの差し替え」だと考えがちです。しかしエージェントが蓄積してきたメモリは、古いモデルの癖や解釈のクセを前提に書かれています。新しいモデルがそのメモリを引き継いだ瞬間、性能はテストに気づかれないまま劣化してしまうことがあります。 そこで研究者たちは、生履歴・RAG・モデル圧縮ノート・固定スキーマの知識グラフという4つのメモリ形式を、実際にモデルを入れ替えて比較しました。結果は形式によって驚くほど異なります。固定スキーマの知識グラフはモデルを替えてもほぼ無傷(変化わずか±0.0004ポイント)だった一方、圧縮ノートは書き手と読み手の組み合わせ次第で最大13.28ポイントも劣化し、埋め込みを中途半端に移行すると得られるはずの改善の58%を静かに失うことも判明しました。 Does Your Agent's Memory Survive a Model Upgrade? A Controlled Study of Memory Portability モデルのアップグレードは、もはや単なる差し替えではなく「メモリの移行プロジェクト」として扱うべき時代が来ているのかもしれません。 #AIエージェント# #メモリ管理#
もっと見る
エージェントの記憶は、アプリのコードを複雑にするのではなく設定を詰めることで効くようになる。Weaviateの実践ガイドです。 タイトル: Agent Memory with Engram: A Practical Guide URL: 会話データを投げて検索するだけの状態から、記憶の質とトークンコストを同時に最適化するところまで引き上げる手順が解説されています。 注目ポイントは3つあります。 📝 トピックの記述は「除外」で書く 記憶のカテゴリごとに書く説明文が、そのまま抽出プロンプトとして働きます。記憶してほしい例を列挙するより「イベントや一時的な状態は記録しない」といった除外ルールを1つ置くほうが、想定外のケースにもうまく汎化したと報告されています。出力の形を原子的な事実にするか散文にするかも、ここで明示します。 🔒 単数の事実はboundedで固定する boundedを設定すると1スコープあたり記憶が最大1件に制限され、累積ではなく更新されます。新規ユーザー5人での検証では、boundedなUserProfileが5回すべてでちょうど1件を保った一方、boundedでないUserKnowledgeは毎回2〜4件に揺れました。 💰 記憶の置き場所が課金額を決める 検索結果は毎ターン変わるため、システムプロンプトに貼るとキャッシュが毎回壊れて全体が課金されます。常時必要な記憶はセッション開始時に一度取得してシステムプロンプト直後へ、検索結果はユーザーメッセージの後ろへ置くのが正解です。25ターンの検証では、最終リクエスト約3,500トークンのうちキャッシュ未ヒットは約100トークンだけに収まりました。 記憶レイヤーを自前で書くか委ねるかを検討しているなら、判断材料としても読み応えがあります。 #AIエージェント# #メモリ管理#
もっと見る
🧠 AIのメモリは「ユーザーの好み」を覚えるもの、という常識を覆す発表です。Perplexityの新メモリ「Brain」は、エージェント自身が仕事のやり方を覚えて上達していきます。 📰 タイトル: Self-improving Memory for Agents 🔗 URL: 💡 概要 Perplexityが、AIエージェント向けの自己改善型メモリ「Brain」を発表しました。エージェント「Computer」が行った作業をコンテキストグラフとして蓄積し、一定間隔で見直すことで、使うほど賢く・安く・速くなる仕組みです。 🔍 解決する課題 従来のメモリはユーザーの好みを覚えることに偏り、エージェント自身の性能向上には使われていませんでした。人間の従業員のように「仕事をしながら学んで上達する」エージェントを実現することが狙いです。 🛠 方法論と提案手法 ・作業の結果や修正を追跡するコンテキストグラフを構築 ・アイデアやプロジェクトをまとめたLLM wikiをエージェントのサンドボックスに自動ロード ・セッションや外部連携の結果、ソース文書の変更を夜間にインクリメンタル統合 ・成功したやり方、失敗した試行、ユーザーの修正の3つから学習し過去のミスを回避 📊 ユースケース / 実験結果 ・既出タスクで回答の正確性が25%向上 ・リコールが16%改善 ・履歴的文脈を要するタスクでコストを13%削減 ・改善は使い続けるほど大きくなる 回答とソース取得の高速化、トークン浪費の削減、問題の予兆の先回り検知などに使えます。 #AIエージェント# #メモリ#
もっと見る
AIエージェントの「記憶」機能、過去の作業履歴だけを見て学習させると、間違った知識を覚え込んでしまうことがあります。それを防ぐ賢い工夫を紹介します。 タイトル: Grounding Agent Memory: Environment-Probing Curation for Enterprise Agents URL: ❓ 従来のエージェント記憶の何が問題だったの? 💡 完了した作業履歴だけを見て記憶を作ると、1回のたまたまの観察から間違った一般化をしたり、データベースのスキーマが変わった途端に記憶が使えなくなったりしていました。 ❓ この論文はどう解決するの? 💡 記憶を保存する前に、エージェントに読み取り専用で実際の環境を「プロービング(探査)」させ、保存しようとしている知識が本当に正しいかを検証してからコミットする仕組みを提案しています。 ❓ 効果はどれくらいあるの? 💡 データベース探索タスクでは合格率が39%から73%に向上し、報酬は約2.6倍に。しかもツール呼び出し回数は47%減、コストも約50%削減できています。 ❓ 実運用でも使えそう? 💡 モデルの再学習が不要で、タスク実行時のインターフェースも変えずに導入できるため、企業で長期運用するエージェントにそのまま組み込みやすい設計になっています。 #AIエージェント# #エージェントメモリ#
もっと見る
🧠 AIエージェントの「記憶」は、経験を保存する瞬間ではなく、思い出す瞬間にこそ整理すべきなのかもしれません。 タイトル: Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents (JitMem) URL: ❓ JitMemの基本アイデアは何ですか? 従来のエージェント記憶は、タスク完了時(書き込み時)に経験を要約して保存します。JitMemはこれをやめ、生の軌跡をそのまま保存しておき、新しいタスクが来た「読み込み時」に、そのタスク専用の要約をその場で作ります。 ❓ なぜ書き込み時の要約では不十分なのですか? 将来どんなタスクに必要か分からない段階で情報を取捨選択するため、大事な情報が失われがちです。しかも同じ経験でも役立つ教訓はタスクによって違うのに、書き込み時には汎用的な要約しか作れません。 ❓ 学習はどう行うのですか? 現在のタスクと過去の軌跡から要約を作る「キュレーター」を、実行エージェントがその要約を使って得た成功報酬だけで直接学習させます。将来のクエリを待つ必要がなく、シンプルに最適化できます。 ❓ 効果はどれくらいですか? ALFWorld・WebShop・τ²-benchの3環境で、最強のベースラインを16.2・16.3・3.9ポイント上回りました。学習前でも十分に強く、読み込み時に要約するという発想自体が効果の大きな要因だと分かります。 #AIエージェント# #メモリ管理#
もっと見る