Oracle Agent Memory：長期実行AIエージェントのためのエンタープライズメモリ基盤
arXivのテクニカルレポートでは、Oracle Database上に構築されたデータベースネイティブのメモリシステムであるOracle Agent Memoryを紹介しています。LongMemEvalでは93.8%の精度を達成し、フラットヒストリーベースラインと比較して約10.7倍少ないトークンを使用します。このシステムは、メモリライフサイクル、スコープ制御を備えた階層アーキテクチャ、タスク精度とメモリ固有の指標を組み合わせた評価方法論に対応しています。
2026年7月14日、Richmond Alake氏を含む13名の著者によるテクニカルレポート「Oracle Agent Memory as an Enterprise Memory Substrate for Long-Horizon AI Agents」がarXivに提出されました。このレポートは、長期間にわたって実行されるAIエージェントにおけるメモリのシステム問題に焦点を当てています。単純な文書検索では不十分であり、エージェントメモリはどのインタラクションが永続的な状態になるか、状態のスコープ、レイテンシ制約下での検索方法、時間の経過に伴う修正や削除の方法を決定する必要があると指摘しています。提案された解決策は、Oracle Database上に構築されたデータベースネイティブのメモリ基盤「Oracle Agent Memory」です。
このシステムは3つの主要テーマに基づいています。第一に、メモリライフサイクル：取り込み（ingestion）、抽出（extraction）、統合（consolidation）、検索（retrieval）、要約（summarization）、修正または削除（revision/removal）の6段階からなり、メモリを完全に管理します。第二に、階層アーキテクチャ：アクティブなメモリコアとパッシブなメモリストアインターフェースを分離し、ユーザー、エージェント、スレッド間で明確なスコープ制御を提供します。第三に、評価方法論：下流タスクの精度に加えて、証拠検索（evidence retrieval）、再現率（recall）、レイテンシ（latency）、推定トークン使用量（estimated token use）などのメモリ中心の指標を組み合わせた総合的な評価を実施します。
LongMemEvalベンチマークにおいて、Oracle Agent Memoryは93.8%の精度を達成し、フラットヒストリーベースラインと比較して約10.7倍少ないトークンで同等以上の性能を示しました。また、利用可能な公開ベースラインとの比較でも優れた結果が報告されています。付録には、セットアップ手順、スレッドライフサイクル管理、検索セマンティクスなどの実装詳細が含まれています。本論文は23ページ、7つの図から構成されており、arXivで入手可能です。この研究は、複数セッションにわたる記憶を必要とする複雑なエンタープライズシナリオにおいて、効率的でスケーラブルな長期実行AIエージェントメモリシステムの構築に貢献するものです。