AI要約ポケモン対戦を事例に、LLMベースのエージェントの性能向上を目指すLong/Short-Term Knowledge Augmented Generationを提案する。Porimonは過去状態と類似タスクの経験要約を活用する仕組みを導入し、正確なダメージ計算を外部APIで補完する。15,000戦の大規模な評価でハイパーパラメータ最適化を実施し、既存手法を上回る結果を示すが、長期的効果の寄与は不確定とする。これらは対戦タスクにおけるLLMの戦略的意思決定支援の一歩となる。

AI要約ポケモンの概念的特徴を対象に、ClaudeとGeminiによる最小反直観性の自動符号化を人手の判定と比較し、少数の人手データを用いたleave-one-out方式のfew-shot校正で特異度を改善する研究である。校正した処理を第2世代以降のポケモンへ適用し、独立した人気順位と組み合わせて、反直観性と人気の逆U字関係を検証する。

AI要約ポケモンを題材としたマルチエージェント会議システムの設計と実装経緯を解説するである。Claude Artifactsを用いたノーコード/低コードのワークフローとデータ構造の可視化を紹介するである。

AI要約本研究は、PTCG-Benchを用いてポケモンのトレーディングカードゲームを環境としてLLMエージェントの意思決定と自己進化を評価する枠組みを提示する。二段構えの評価では、単一環境内の意思決定と、蓄積経験による自己進化の両方を測る。モジュラー式ハーネスのアブレーションを導入し、性能と設計要素の影響を分離して解釈性を高める。結果としてLLMは非自明な対戦能力を示すが、安定した自己進化は依然課題で、ハーネス設計が成績に影響を与えることが分かった。