本記事は AnyTool: Self-Reflective, Hierarchical Agents for Large-Scale API Calls の解説記事です。 論文概要（Abstract） AnyToolは、16,000以上のAPI（RapidAPI）から適切なツールを選択し、ユーザーのクエリを解決するLLMエージェントである。著者ら（Yu Du, Fangyun Wei, ...

本記事は xLAM: A Family of Large Action Models to Empower AI Agent Systems の解説記事です。 論文概要（Abstract） xLAMは、Salesforce AIが開発したFunction Calling（ツール呼び出し）特化のモデルファミリーである。著者らは、異種の学習データセット（ToolBench、BFCL、Agen...

本記事は Gorilla: Large Language Model Connected with Massive APIs の解説記事です。 論文概要（Abstract） Gorillaは、LLMがAPI呼び出しを生成する際のハルシネーション（存在しないAPIや不正な引数の生成）を抑制するために、検索拡張（Retrieval-Augmented）ファインチューニングを適用したモデルであ...

本記事は Building Effective Agents — Anthropic Research の解説記事です。 ブログ概要（Summary） Anthropicが2024年12月に公開した「Building Effective Agents」は、LLMを用いたエージェントシステムの設計に関する実践ガイドである。著者らは、エージェント（Agent）とワークフロー（Workflow...

本記事は LLMCompiler: An LLM Compiler for Parallel Function Calling の解説記事です。 論文概要（Abstract） LLMCompilerは、LLM（大規模言語モデル）が外部関数を呼び出す際の逐次実行ボトルネックを解消するために、古典的コンパイラの命令レベル並列性（ILP: Instruction-Level Paralleli...

論文概要（Abstract） 本記事は NeurIPS 2024で発表されたChain of Agents論文 の解説記事です。 Chain of Agents（CoA）は、長文コンテキストタスクに対してマルチエージェント協調を活用するフレームワークである。入力テキストをチャンクに分割し、複数のWorkerエージェントが逐次的に読み進めながらメッセージを引き継ぐことで、限られたコンテキス...

論文概要（Abstract） 本記事は arXiv:2503.10657 の解説記事です。 Mem0（「メム・ゼロ」と発音）は、AIエージェント向けのスケーラブルなメモリ層である。会話からセマンティックに関連する情報を離散ファクトとして抽出し、ベクターデータベースとグラフデータベースのハイブリッドストレージに保存する。著者らは、LOCOMOベンチマークにおいてFull Context（全...

ブログ概要（Summary） 本記事は The LLM Inference Optimization Stack: A Prioritized Playbook for Enterprise Teams の解説記事です。 Microsoftが2026年3月に公開したエンタープライズ向けLLM推論最適化の包括的ガイドであり、GPU活用率の最大化、量子化、vLLMエンジン最適化、モデル選択戦...

論文概要（Abstract） 本記事は arXiv:2309.03409 “Large Language Models as Optimizers” の解説記事である。Yang et al.（Google DeepMind）は、LLM自身を最適化器として活用し、自然言語で記述されたプロンプトを反復的に改善する手法「OPRO（Optimization by PROmpting）」を提案した。...

ブログ概要（Summary） 本記事は Anthropic Engineering Blog: Effective context engineering for AI agents の解説記事である。2025年9月29日に公開されたこのブログでは、Anthropic Applied AIチーム（Prithvi Rajasekaran, Ethan Dixon, Carly Ryan, J...