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 Agent记忆
Agent记忆 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
Agent记忆 を含む検索結果
長期記憶や自己改善には専用のハーネスが必要、という前提はもう古いのかもしれません。 タイトル: Harness as a Language: A Minimalist Agent Framework With Maximal Expressivity URL: ❓ JAZとは何ですか? `invoke`というたった1つの基本要素だけで動くLLMエージェントフレームワークです。LLMが再帰的なinvoke呼び出しを含む実行可能コードを書き、実行環境内の変数としてすべてが見える、という最小構成になっています。 ❓ なぜこれが長期記憶の代わりになるのですか? JAZはREPLの対話履歴を`__history__`という変数としてコード実行環境に公開します。エージェントはこれをプログラム的に参照し、サブエージェントに委任するときも参照渡しできるため、専用の記憶ストアを使わずに記憶・再想起を実現できます。 ❓ 専用ハーネスより性能が出るのですか? 長期タスクのStuLifeベンチマークでは、専用メモリシステムLettaを遠距離再想起で8ポイント上回りながらコストは半分以下でした。AppWorldでの継続的改善タスクでも、専用ハーネスACEを上回る性能をより低コストで達成しています。 ❓ この研究の意義は何ですか? 高度な能力には複雑なハーネスが必要という前提に疑問を投げかけ、表現力の高い最小限のループの中でモデル自体を強くする方向を示唆しています。 #AIエージェント# #LLM#
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
話題のHermes Agent、何がそんなに刺さってるのか整理すると ・タスク経験をMarkdownのスキルとして自己生成 ・セッションをまたいで記憶が残る ・モデルは好きなものに差し替え可能(200以上) ・$5のVPSでも動く、暇なら休眠 ・TelegramやSlackから話せる 自前サーバで育てる相棒、って感じでしょうか。
もっと見る
AIエージェントの「記憶」機能、過去の作業履歴だけを見て学習させると、間違った知識を覚え込んでしまうことがあります。それを防ぐ賢い工夫を紹介します。 タイトル: Grounding Agent Memory: Environment-Probing Curation for Enterprise Agents URL: ❓ 従来のエージェント記憶の何が問題だったの? 💡 完了した作業履歴だけを見て記憶を作ると、1回のたまたまの観察から間違った一般化をしたり、データベースのスキーマが変わった途端に記憶が使えなくなったりしていました。 ❓ この論文はどう解決するの? 💡 記憶を保存する前に、エージェントに読み取り専用で実際の環境を「プロービング(探査)」させ、保存しようとしている知識が本当に正しいかを検証してからコミットする仕組みを提案しています。 ❓ 効果はどれくらいあるの? 💡 データベース探索タスクでは合格率が39%から73%に向上し、報酬は約2.6倍に。しかもツール呼び出し回数は47%減、コストも約50%削減できています。 ❓ 実運用でも使えそう? 💡 モデルの再学習が不要で、タスク実行時のインターフェースも変えずに導入できるため、企業で長期運用するエージェントにそのまま組み込みやすい設計になっています。 #AIエージェント# #エージェントメモリ#
もっと見る
# Hermes Agentの機能と実践的な使い方 🚀 事実を覚えるだけでなく、「この人はどういう人か」を対話から推論し続けるメモリです。使うほど提案が的中する「自分を理解しているエージェント」を実現します。 📌 タイトルと機能のURL タイトル: Honcho Memory URL: 📝 概要 HonchoはAIネイティブなメモリバックエンドで、単純なキー・バリュー保存を超えます。会話のたびに「対話推論(dialectic reasoning)」を行い、ユーザーの好み・コミュニケーションスタイル・目標・行動パターンを自動的に導出して、時間とともに深まるユーザーモデルを構築します。 🔧 機能の説明 ・対話推論は多段解析です。Pass 0で初期評価、Pass 1で自己監査による抜け漏れの特定、Pass 2で矛盾を最終統合へ調整します(深さ1〜3)。 ・新規ユーザーには好みや目標を探るコールドスタート問い合わせ、既存ユーザーには現在の文脈を優先するウォームセッション問い合わせを使い分けます。 ・組み込み記憶が静的な事実の手動管理であるのに対し、Honchoはサーバー側プロファイルで自動推論を行い、結論に対するセマンティック検索やマルチエージェントのピア分離を可能にします。 ・honcho_profile(ピアの識別カード読み書き)、honcho_search(記憶・結論のセマンティック検索)、honcho_context(要約を含むセッション文脈の取得)、honcho_reasoning(指定深さでの統合推論)、honcho_conclude(結論の作成・削除、PII管理に有用)の5ツールが統合されます。 🛠 実践的な使い方 ・`hermes memory setup honcho` でガイド付き設定を行います。設定は `~/.honcho/config.json`(グローバル)または `$HERMES_HOME/honcho.json`(プロファイル単位)に作成されます。 ・主要な設定キーは、`contextCadence`(基本文脈の更新間隔)、`dialecticCadence`(LLM推論の間隔)、`dialecticDepth`(多段の深さ)、`recallMode`(hybrid / context / tools)、`writeFrequency`(async / turn / session)、`apiKey` / `peerName` / `aiPeer` / `workspace` です。 ・既定の hybrid モードでは、基本文脈と対話推論の補足が自動的にシステムプロンプトへ注入され、ツールも併用できます。 ・Honchoを有効化すると `hermes honcho status` などのサブコマンドが利用可能になります。 🎯 ユースケース ・長期アシスタントとして、数ヶ月にわたるユーザーの作業上の好みを追跡する。 ・コーディング用と個人秘書用のアシスタントが同じユーザーに対し独立したモデルを保ち、文脈の混線を防ぐ。 ・繰り返しの話題の再説明を減らし、セッションスコープの注入で提案精度を上げる。 ⚠️ 注意点 ・推論の深さに比例してコストが増えます(深さ2〜3はLLM呼び出しが増えるため、cadence設定で調整します)。 ・新規ピアはバックグラウンドのプリウォームが必要で、間に合わない場合は上限付きの同期フォールバックが働きます。 ・recallModeのtoolsモードはエージェントに制御を委ねますが明示的な推論呼び出しが必要で、contextモードはツールを隠すため柔軟性が下がります。サーバー側に状態を持つため、ファイル記憶からの移行にはデータエクスポートが必要です。 #HermesAgent# #Memory#
もっと見る
# Claude Agent SDKの便利で実践的な使い方 ✅ 危険な操作の前にユーザー承認を求め、6 種類の応答パターンで柔軟に制御できます。 承認とユーザー入力の処理は、`canUseTool` コールバックで危険操作を検知してユーザーに確認を求め、`AskUserQuestion` で要件収集を行う機能です。 📌 タイトル:承認とユーザー入力を処理する 🔗 URL: 🧩 概要 `canUseTool` で各ツール呼び出しをインターセプトし、承認/拒否/代替案提案など 6 パターンの応答が可能です。`AskUserQuestion` ツールでは、Claude がユーザーに複数選択肢の質問を投げて要件を収集できます。 🛠 使い方 `canUseTool` コールバックを定義し、ツール名・引数に基づいて `PermissionResultAllow` / `PermissionResultDeny` を返します。 🏗 実践的な使い方 ・ファイル削除や Bash 実行を検知して y/n を問う対話的承認 UI を構築します。「全 Bash コマンドを `/tmp/sandbox` にスコープ」のように変更を加えて承認することも可能です。 ・「承認して記憶」パターンで `updated_permissions` を使い、`.claude/settings.local.json` に永続化します。 ・`AskUserQuestion` で「モバイルアプリのテックスタック」について選択肢を提示し、`plan` モードと組み合わせて変更前に要件収集する対話ワークフローを実現します。 💡 ユースケース 🛡 危険操作の対話的承認 UI 📋 複数選択肢による要件収集 🔐 承認ルールの永続化による学習 ⚠️ 注意点 サブエージェントでは AskUserQuestion は使用できません。質問は 1〜4 個、選択肢は 2〜4 個の制限があります。Python では `can_use_tool` にストリーミングモードとダミー PreToolUse フックが必要です。 #ClaudeAgentSDK# #AI#
もっと見る
『Gemini at Work 2026:仕事を任せる「Gemini agent」を発表』 Googleが発表したのは、自分のメールアドレスや役割を持ち、チームに加わるAIだ。PCを閉じても仕事を続け、必要に応じて別のエージェントへ作業を割り振る。「Gemini agent」を、目的を伝えて仕事を任せる共通の窓口にするという構想らしい。 GeminiはGoogleやAndroidにくっついてくるから手軽に使えること以外出遅れてる感があるような気がするけど、今後どうなるんだろうなー。 以下、詳細です。 ・会話が終わっても続く仕事 クラウド上で記憶と実行を維持し、数時間から数日かかる作業にも対応すると説明する。必要に応じて子エージェントを作り、並行作業や順番に進める作業を調整する設計だ。 ・チームに加わるAI Workspaceでは、専用のメール、カレンダー、Driveを持つエージェントを作成できると紹介する。人のアカウントを借りるのではなく、自分の名義で動き、共有された情報にアクセスする。チャットへの追加や文書のコメントから仕事を頼む例が示されている。 ・業務の背景と手順の共有 社内システムへの接続、仕事の手順をまとめたSkills、記憶を組み合わせる。チーム独自のSkillsを社内で共有する仕組みも設ける。データ分析では、指標の定義や業務ルールを参照するKnowledge Catalogを重視している。 ・モデルとエージェントを分ける Gemini agentの裏で使うモデルは、Geminiだけに限定しない。現時点でClaudeも対象とし、他のモデルへ広げる方針だ。仕事に応じてモデルを選び、精度と費用を調整する。 ・権限と行動の記録 各エージェントに識別情報と必要最小限の権限を与え、行動を記録する。コードは隔離された環境で実行し、通信にはAgent Gatewayで組織のルールを適用すると説明している。「何が、何をしてよくて、何をしたか」を管理する設計だ。 ・費用にも上限を設ける プロジェクトごとに利用額の上限を設定し、上限に達するとエージェントを停止する。トークンだけでなく実行環境の費用も追跡し、部門別の費用管理につなげるとしている。 記事はGoogle CloudのCEOによる基調講演をもとにした、自社製品の発表だ。紹介された機能すべての提供時期が明記されているわけではなく、金融・法務向けはプレビュー、政府・医療・小売向けは今後の予定とされている。 自分が見たいのは、AIがチームに加わったときに、人の仕事がどう変わるかだ。目的や完了条件を決め、必要な情報を渡し、結果を確かめる。その分担まで設計できれば、ツールを増やすことから、仕事の進め方を変えることへつながりそうだ。
もっと見る
スライド修正で「1枚だけ直したいのに全部作り直されて崩れる」問題、ありますよね。それをメモリの階層化と局所修正で解いた研究です🗂️ タイトル: MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision URL: ❓ 何が新しいの? 💡 スライド生成エージェントに「階層的メモリ」を入れ、恒久的な好み(プロファイル)・セッション単位の作業記憶・再利用可能なツール経験を明確に分離します。さらにデッキ全体を作り直さず、対象スライドだけを直す局所修正を採用しています。 ❓ どうやって局所修正の暴走を防ぐ? 💡 Plan–Act–Guardの3段で進めます。Planで修正を「実行契約」(対象パス・適用ルール・カバレッジ要件)に変換し、Actで共通セレクタのバッチCSSやパッチ操作を使い分け、Guardでコンテンツのハッシュに束縛して全対象が直るまで早期確定をブロックします。 ❓ 一時的な指示が恒久的な好みに化けない? 💡 ジョブ終了時に意図を考慮した統合を行い、安定した信号だけをプロファイルへ書き戻します。「この回だけ」の要求が永続化するのを防ぐ仕組みです。 ❓ 効果は? 💡 ブラインド審査でパーソナライズはDeepPresenter比で全次元改善(Visual +1.66など)。ツール記憶ありだと修正の完了率0.963、初回正答までの時間は609.5→242.5秒で約60%短縮でした。 エージェントのメモリを「種類ごとに役割分担」する設計思想が、多ターン編集タスク全般に効きそうだと感じます。 #AIエージェント# #LLM#
もっと見る