LLMエージェントのためのプロファイルグラフメモリ：ナラティブプロファイルによる暗黙的なクロスエンティティトラバーサル

大規模言語モデル（LLM）エージェントがセッションを越えて対話するには長期記憶が不可欠ですが、既存のメモリベンチマークは主にシングルホップの想起を評価するにとどまり、マルチホップの関連付けはほとんど測定されていません。この課題に対処するため、Shengtong Zhuの研究チームはマルチホップメモリベンチマークMemHopと、プロファイルグラフメモリ（ProGraph）アーキテクチャを提案しました。MemHopは10のソーシャルネットワークシナリオにわたって1000の質問（ホップ深さ1〜5）を含み、各ホップの証拠アノテーションが付与されており、実際のソーシャルネットワークの複雑な関係（友達の友達など）を模倣しています。ProGraphは2層のメモリアーキテクチャで、(i)プロファイル拡張：LLMが生成したナラティブプロファイルに自然に現れるエンティティ名を部分文字列マッチングでたどる手法（明示的な知識グラフ構築の代替）と、(ii)圧縮残差：各プロファイル更新時に正確な日付、数量、名前付きアイテムを追加コストなしで同時抽出する機能を組み合わせています。完全グリッドのアブレーション研究により、プロファイル拡張はマルチホップ推論（MemHopで-22.6ポイント）を、圧縮残差は精度想起（LoCoMoで-8.6ポイント）をそれぞれ駆動し、交差効果は3ポイント未満であることが明らかになりました。ProGraphはMemHopで80.1%（FullContext参照と同等）、LoCoMoで78.4%（FullContextを11.3ポイント上回る）を達成し、Mem0、A-Mem、HippoRAG、RAGを凌駕しています。研究チームはMemHop、ProGraph、およびベースライン実装を公開しており、LLMエージェントの長期記憶研究に新たな評価ツールとソリューションを提供しています。この成果はAIエージェントのコンテキスト理解能力の向上に重要であり、特に複数エンティティや時間をまたがる推論タスクにおいて、より複雑なマルチホップ推論の発展が期待されます。さらに、ProGraphのアーキテクチャはLLM自体が生成するナラティブプロファイルを活用しており、追加のアノテーションが不要で拡張性に優れています。今後の研究では、このメモリアーキテクチャをさまざまなタイプのLLMと統合する方法や、バーチャルアシスタントやゲームNPCなどの実製品への応用が探求されるでしょう。まとめると、ProGraphは効率的で低コストかつ高性能な長期記憶ソリューションを提供し、LLMエージェントの発展に新たな道を切り開きます。