大規模言語モデル（LLM）に基づくエージェントは、外部ツールと計画能力を統合することで人工知能の様相を根本的に変えつつあります。これらのシステムにおいて、記憶メカニズムはアーキテクチャの基盤として浮上していますが、現在の研究はオペレーティングシステム工学と認知科学の間で揺れ動き、断片化したままです。この理論的分断は、技術統合の統一的な見解と首尾一貫した進化の視点を妨げています。このギャップを埋めるため、Jinghao Luoら9名の著者によるサーベイ論文が、LLMエージェントの記憶メカニズムに対する新たな進化フレームワークを提案し、その発展プロセスをストレージ（軌跡保存）、リフレクション（軌跡洗練）、エクスペリエンス（軌跡抽象化）の3段階に形式化しています。本論文は2026年5月7日にarXivに投稿され、ACL 2026 Findingsに採択されました。
研究はまずこれら3段階を明確に定義しています。ストレージ段階は歴史的軌跡の生の保存に焦点を当て、リフレクション段階は過去のインタラクションの振り返りと評価を通じて軌跡を洗練・最適化します。エクスペリエンス段階はより高次の抽象化に達し、複数の軌跡から転移可能な汎用パターンを抽出します。続いて、この進化を推進する3つの核心的要因を分析しています。第一に長距離一貫性の必要性、すなわちエージェントが長時間にわたり行動と目標の一貫性を維持すること、第二に動的環境の課題、すなわち不確実で変化する環境でも合理的な意思決定を可能にすること、第三に継続学習の究極目標、すなわちエージェントが経験から絶えず学習し新しいタスクに適応できるようにすることです。
最も先進的なエクスペリエンス段階では、能動的探索と軌跡間抽象化という2つの変革的メカニズムを特に掘り下げています。能動的探索によりエージェントは受動的に情報を待つのではなく、知識のギャップを埋めるために自ら新しい経験を求めます。軌跡間抽象化は異なる経験から共通の法則を抽出し、より普遍的な認知構造を形成します。これらの分散した視点を統合することにより、本論文は次世代LLMエージェントの開発のための強固な設計原則と明確なロードマップを提供しています。この研究は、LLMエージェントの記憶システムに関する統一的な理論基盤を提供し、今後の研究方向性を示すものとして高く評価されます。