AIエージェント時代の記憶（サーベイ論文）

最近、arXivに「AIエージェント時代の記憶」と題するサーベイ論文が公開された。著者はYuyang Hu氏ら47名。論文は、基盤モデルベースのエージェントにおいて記憶が中核的な能力であり、そのトレンドは継続すると指摘する。研究の急速な拡大に伴い、分野は断片化が進んでいる。既存の研究は動機、実装、評価プロトコルが大きく異なり、緩く定義された記憶用語が概念の明確さを損なっている。従来の長期/短期記憶のような分類では、現代のエージェントメモリシステムの多様性を捉えきれない。

そこで本論文は、現在のエージェントメモリ研究の最新状況を提供する。まず、エージェントメモリの範囲を明確に定義し、LLMメモリ、検索拡張生成（RAG）、コンテキストエンジニアリングなどの関連概念と区別する。次に、形式、機能、ダイナミクスという統一的な視点からエージェントメモリを考察する。形式の観点では、トークンレベルメモリ、パラメトリックメモリ、潜在メモリの3つの主要な実現形態を特定。トークンレベルメモリはトークン系列に直接情報を格納し、パラメトリックメモリはモデル重みに暗黙的に知識を符号化し、潜在メモリは連続ベクトル空間による表現を用いる。機能の観点では、事実記憶（客観的知識）、経験記憶（相互作用履歴）、作業記憶（現在のタスク関連情報の一時的保持と操作）というより細かい分類を提案。ダイナミクスの観点では、記憶の形成、進化、検索のプロセス（書き込み、統合、更新、忘却）を分析する。

実践的な開発を支援するため、論文はメモリベンチマークとオープンソースフレームワークの包括的な要約をまとめている。ベンチマークは合成環境と実世界シナリオを網羅し、記憶の容量、永続性、検索効率を評価。MemGPTやGenerative Agentsなどのオープンソースフレームワークがモジュール実装を提供している。さらに、記憶自動化（自動管理戦略）、強化学習統合（記憶によるポリシー最適化）、マルチモーダル記憶（テキスト、画像、音声等の多様な情報）、マルチエージェント記憶（複数エージェント間の共有と調整）、信頼性問題（プライバシー、バイアス、安全性）などの新たな研究フロンティアを展望する。本サーベイは、既存研究のリファレンスとしてだけでなく、将来のエージェントインテリジェンス設計における第一級プリミティブとしての記憶を再考するための概念的基盤となることを目指している。