長期記憶
要約済み 2
-
arxiv-cs-ai 1日前 3AIエージェントの「自己喪失」問題、複数アンカー記憶で解決へPersistent Identity in AI Agents: A Multi-Anchor Architecture for Resilient Memory and Continuity
コンテキスト超過時にAIエージェントが同一性を失う問題に対し、新たなアーキテクチャが提案された。 人間の分散記憶を模倣したRAG+RLMハイブリッド検索により、記憶を自動ルーティングするsoul.pyを実装。 エージェント開発における「連続性の欠如」という根本課題に、実用的な解法を示した点で注目される。
解説 本論文はAIエージェントが抱える「破滅的忘却」問題に取り組む。現状のLLMベースエージェントはコンテキストウィンドウ（モデルが一度に処理できる文字数の上限）を超えると会話履歴が要約・切り捨てられ、過去の文脈だけでなく「自己としての連続性」まで失われると指摘する。著者らはこれを単一メモリストアへの過度な依存という設計上の欠陥と捉え、アルツハイマー病や海馬損傷などの神経科学的知見を参照する。人間の記憶は手続き記憶・エピソード記憶・感情的連続性など複数の独立したシステムに分散しているため、一部が損傷しても同一性が保たれる。この知見を基に提案するsoul.pyは、アイデンティティファイル（自己定義の固定記述）とメモリログ（経験の時系列記録）を分離した構成要素として管理し、どちらかが欠損しても他方から自己を再構成できるマルチアンカー設計を採用する。検索にはRAG（外部知識の埋め込み検索）とRLM（強化学習的メモリ選択）を組み合わせたハイブリッド方式を用い、クエリの種類に応じて最適な記憶領域へ自動ルーティングする。GPT-4oやClaudeなどの既存モデルとの直接ベンチマーク比較は示されていないが、単一コンテキスト依存の従来アーキテクチャに対する概念的優位性を論じており、長期稼働エージェント開発の設計指針として実用的示唆を持つ。 -
hf-blog 3日前 3AIエージェントが実務から自己学習、成功率74%向上ALTK‑Evolve: On‑the‑Job Learning for AI Agents
研究チームがAIエージェントの過去実行履歴から再利用可能な原則を抽出・蓄積するフレームワーク「ALTK-Evolve」を発表。 AppWorldベンチマークの難問成功率が19.1%→33.3%と大幅に改善、長期記憶による継続的な性能向上を実証。 Claude CodeやOpenAI Codexにプラグイン形式で統合可能で、実用的なエージェント開発に即座に活用できる。
解説 多くのAIエージェントは過去の経験を活かせず同じ失敗を繰り返す「永遠のインターン」問題を抱えている。ALTK-Evolveは実行トレースからガイドラインを自動抽出・統合し、意思決定時に関連知識だけを注入する仕組みで、特に複雑なタスクで大きな効果を示した。Claude CodeやCodexへのプラグイン統合が既に可能で、開発者がすぐに試せる実用性の高さが特徴。エージェント開発における記憶・学習アーキテクチャの標準手法となる可能性がある。