AIエージェントメモリを3つの難易度で解説
この記事では、AIエージェントのメモリを3つの難易度で説明します。ステートレスなLLMエージェントの根本的なメモリ問題、主要なメモリタイプ（コンテキスト内メモリ、外部メモリ）、そしてスケーラブルなアーキテクチャ（書き込み戦略、検索方法、減衰処理、マルチエージェントの一貫性）について解説します。時間とともに改善するエージェント構築のための実践的な洞察を提供します。
ステートレスなAIエージェントは、要求ごとにゼロから開始する。これは単独のタスクには適するが、決定を追跡したり、ユーザーの好みを記憶したり、中断したところから再開する必要がある場合に問題となる。本記事では、AIエージェントメモリを3つのレベルで説明する。
第1レベル：メモリ問題の理解。大規模言語モデル（LLM）は永続的な状態を持たず、API呼び出しごとにステートレスである。これにより、何が起こったか、ユーザーが何を望むか、エージェントが何を試みたか、エージェントがどのような事実を蓄積したか、という4つの具体的な問題が生じる。メモリ問題とは、本質的にステートレスなシステムに、過去に関する永続的でクエリ可能な知識を与える問題である。
第2レベル：メモリのタイプ。コンテキスト内メモリ（作業メモリ）は現在のコンテキストウィンドウ内のすべてを含み、正確だがウィンドウサイズに制約される。外部メモリは検索拡張生成（RAG）によって実現され、意味検索と正確なルックアップの2つのパターンがある。最も堅牢なエージェントメモリシステムは両方を組み合わせる。
第3レベル：スケーラブルなアーキテクチャ。記憶すべき情報は、エピソード記憶（具体的なイベント）、意味記憶（事実と選好）、手続き記憶（行動パターン）に分類される。書き込み戦略としては、セッション終了時の要約とイベントトリガー書き込みが一般的で、生のトランスクリプトや中間推論トレースは避ける。検索戦略には、ベクトル類似性検索、構造化クエリ、ハイブリッド検索がある。メモリの減衰とバージョン管理には、時間的減衰とバージョン管理されたエンティティレコードが用いられる。マルチエージェントメモリでは、中央メモリ、名前空間、追記専用ログによって一貫性を保つ。評価指標として、検索再現率、適合率、忠実度、陳腐化率が重要である。
エージェントメモリはスタックのように機能する。コンテキスト内メモリが現在の作業状態を維持し、外部検索が関連する履歴と事実をもたらす。工学的課題は、何を記録するか、いつ検索をトリガーするか、成長するメモリをクリーンで有用に保つ方法を決定することにある。