論文概要（Abstract） Matryoshka Representation Learning（MRL）は、University of Washingtonの Kusupatiらが2022年に提案した表現学習手法である。通常の埋め込みモデルは固定次元のベクトルを出力するが、MRLでは単一のモデルで複数の粒度（8, 16, 32, …, 2048次元）の埋め込みを同時に学習する。学習済み...

本記事は arXiv:2408.14717（CIDR 2025採択）の解説記事です。 論文概要（Abstract） Biswalらは、自然言語によるデータベース質問応答において、Text2SQLとRAGはそれぞれ相補的な強みを持つが、単独では実世界の複雑な質問の20〜80%に回答できないことを示した。著者らはTable-Augmented Generation（TAG）を提案し、データベ...

本記事は arXiv:2502.12110 の解説記事です。 論文概要（Abstract） A-MEMは、LLMエージェントのメモリ管理にZettelkasten方式を適用した新しいアプローチである。従来のベクトルデータベースやKey-Valueストアによるメモリは、情報を孤立したチャンクとして扱うため、記憶間の文脈的な関連性を捉えることができなかった。著者らはこの問題に対し、各メモリを...

本記事は Building Effective Agents (Anthropic Research) の解説記事です。 ブログ概要（Summary） Anthropicが公開した本ガイドは、多数のチームとの協業経験に基づき、LLMエージェント設計の実践的な原則とパターンを体系化したものである。著者らは、エージェントシステムの構成要素を「拡張されたLLM（Augmented LLM）」と...

本記事は https://arxiv.org/abs/2410.02694 の解説記事です。 論文概要（Abstract） HELMET（How to Evaluate Long-Context Language Models Effectively and Thoroughly）は、長コンテキスト言語モデル（LCLM）を包括的に評価するためのベンチマークフレームワークである。著者らは、...

ブログ概要（Summary） Hadfield, Zhang, Lien, Scholz, Fox, Ford（2025）は、Anthropicの製品に組み込まれたマルチエージェント研究システムの設計と運用について報告している。オーケストレータ・ワーカーパターンを採用し、LeadResearcherエージェントが専門サブエージェントを並列に生成・協調させる構成である。社内評価において、単一...

本記事は LoCoBench-Agent: An Interactive Benchmark for LLM Agents in Long-Context Software Engineering (arXiv:2511.13998) の解説記事です。 論文概要（Abstract） LoCoBench-Agentは、長文コンテキストソフトウェア工学における対話型LLMエージェントを評価す...

本記事は arXiv:2410.09713 の解説記事です。 論文概要（Abstract） Chen, Yuan, Qian, Yang, Liu（2024）は、LLMベースのマルチエージェントシステム（MAS）の効果（性能）と効率（トークンコスト）を同時に最適化するフレームワーク「Optima」を提案している。プロンプトエンジニアリングに頼るのではなく、エージェントをファインチューニン...

本記事は https://arxiv.org/abs/2409.04927 の解説記事です。 論文概要（Abstract） LLM-based Automated Code Review（ACR）は、コードレビューの自動化をLLMで実現しようとする研究分野である。本論文は、14のLLMモデルを8つのコードレビューデータセットで体系的に評価し、zero-shotおよびone-shotの2シ...

本記事は Don’t Break the Cache: An Evaluation of Prompt Caching for Long-Horizon Agentic Tasks (arXiv:2601.06007) の解説記事です。 論文概要（Abstract） 本論文は、プロンプトキャッシュ（Prompt Caching）がマルチターンエージェントタスクにおいてAPIコストと応答レ...