Agent Memory

AIエージェントに先週お願いした調査結果を踏まえて、今週の作業を依頼したい。しかし、エージェントは先週のやり取りを覚えていません。毎回ゼロから説明し直すのは非効率です。エージェントメモリとは、AIエージェントが過去の会話やタスクの情報を保存・参照し、継続的な文脈を持って行動できるようにする仕組みです。

短期メモリと長期メモリ

エージェントメモリは大きく2種類に分けられます。短期メモリ（Short-term Memory）は、現在の会話セッション内で蓄積される情報です。会話履歴やタスクの途中経過がこれにあたり、通常はLLMのコンテキストウィンドウ内に保持されます。セッション終了とともに失われるのが一般的です。

長期メモリ（Long-term Memory）は、セッションをまたいで永続的に保存される情報です。ユーザーの好みや過去のタスク結果、学習した知識などを外部データベースに格納し、必要なときに検索して呼び出します。RAGの技術を活用して、関連する記憶をベクトル検索で取得するアプローチが主流です。

メモリの構造化

メモリをどう構造化するかも重要な設計判断です。単純な会話ログの保存だけでなく、エピソード記憶（「前回のミーティングでAさんがXを提案した」）、意味記憶（「このプロジェクトの技術スタックはReact + Python」）、手続き記憶（「データ集計は毎回このSQLクエリで実行する」）のように分類して管理することで、状況に応じた適切な記憶の呼び出しが可能になります。

クロスセッションの一貫性

長期メモリの最大の価値は、セッションをまたいだ一貫性の実現です。「前回の分析結果を踏まえて」「いつもの形式でレポートして」といった指示に自然に応答でき、ユーザーは毎回コンテキストを説明し直す必要がありません。ChatGPTのMemory機能やClaudeのProject Knowledge機能は、この長期メモリの初期的な実装です。

課題と展望

エージェントメモリにはいくつかの課題があります。古い情報と新しい情報の矛盾をどう解決するか、どの情報を記憶しどの情報を忘れるべきか、プライバシーの観点からどこまでの情報を保存してよいか。記憶の取捨選択と更新の仕組みは、エージェントが長期間にわたって有用であり続けるために解決すべき重要なテーマです。人間の記憶のように、重要度や使用頻度に基づいて記憶を整理する手法が研究されています。