Agent Memoryは聊天記録ではない:記憶の最小実装と評価
AnthropicはAgent Memoryの構成メカニズムを分解した。コンテキストウィンドウは一時保管場所にすぎない。難しいのは書き込み、更新、想起、削除だ。
Agent Memoryは聊天記録ではない:記憶の最小実装と評価
Anthropicは最近、研究論文「The Components of Agent Memory」を公开し、Agentが過去の情報を継続的に蓄積し、必要に応じて再利用する仕組みを検討した。
同論文がHacker Newsのフロントページに載ると、97ポイントと55件のコメントを集めた。討論ページはこちら:https://news.ycombinator.com/item?id=50402212
この数字から、Agent Memoryへの関心が高いことは分かる。一方、議論で最も混同されやすいのは、チャット記録と記憶は別物だという点である。
数十万tokenのウィンドウを確保しても、Agentが長期記憶を持つとは限らない。古いテキストを単にpromptへ多く詰め込んでいるだけかもしれない。
HNフロントページに載ったAgentの記憶論文
Anthropicの「The Components of Agent Memory」は、「Agentにベクトルデータベースを追加する」というProvisioningのTutorialではない。Agentが「大 Vanceidroubilityのある記憶」を形成するには哪些组件が必要か、そしてそれらが完全なライフサイクルをどう構成するかという、より基礎的な問いCanonicalっている。
論文は、Agentが過去の情報を持続的に蓄積し、利用できる記憶システムを構築する)に焦点を当てる。既存資料では、重要な工程を次の4種類に整理している。
- 保存:保持すべき情報をコンテキストウィンドウの外へ格納する
- 整理:情報をどの構造で保存するかを決める
- 検索:必要なときに関係する断片を見つけ出す
- 更新:追加、変更、すでに無効になった情報を処理する
そのため、Agent Memoryを「より長いチャット記録」と理解してはいけない。チャット記録はappend-onlyなイベントストリームだが、記憶システムには選択が求められる。何を保存するか、どのように関連付けるか、いつ読み戻すか、そして古い情報を削除すべきかを判断する必要がある。
Anthropic原文:https://www.anthropic.com/research/components-of-agent-memory
チャット記録はAgentの記憶ではない
まず、最小の反例から考える。
Agentが初めてタスクを実行したとき、ユーザーが次のように伝えたとする。
私のデプロイスクリプトは
infra/ディレクトリにある。make deployを使う。
2週間後、ユーザーが尋ねた。
このプロジェクトはどうデプロイする?
システムがチャット記録だけを保存しているなら、2回目のタスクでは最初の会話を参照できない可能性がある。Agentはディレクトリ、コマンド、プロジェクト構成を再び推測することになる。
履歴全体をそのままコンテキストへ戻しても、問題は解決しない。
第1に、履歴が長いほどノイズが増える。ユーザーがかつて言及した一時的なパス、廃止済みの案、暫定的な推測まで、一緒に想起されてしまう。
第2に、重要な事実は通常書き換えを要する。例えば、デプロイコマンドがmake deployからmake releaseへ変更された場合、元のチャットには2つの回答が混在する。しかし、現時点で有効な状態は1つだけだ。
第3に、想起にはコストがかかる。コンテキストが満杯なるほど、現在のタスク、ツール出力、コード修正に使える余裕が減る。
したがって、コンテキストウィンドウは一時保管場所に近い。現在のリクエストでモデルに資料を見せる役割は担うが、タスクをまたぐ長期状態の管理は担わない。
真の記憶は、少なくとも次の4つの問いに答える必要がある。
- どの情報を長期保存へ投入できるか?
- 記憶をどのような構造で整理するか?
- 現在のタスクで、どの内容を想起すべきか?
- 新しい事実が arrived した際、古い記憶をどう処理するか?
書き込み、検索、更新のいずれかが欠けていれば、それは「履歴情報のキャッシュ」にすぎず、完全なAgent Memoryではない。
記憶の構成要素とライフサイクル
Agent Memoryは、機能名の集合ではなく、ライフサイクルとして分解する。
1. 書き込み:イベントから状態を抽出する
Agentがタスクを終えたあと、システムはtranscriptを無条件に保存してはならない。先に дли价值的かLong长期的価値,判断する。
通常、書き込み-worthyなのは次の情報だ。
- ユーザーの好み(例:「回答は中国語で行う」)
- 安定した事実(例:プロジェクトで使用する言語やフレームワーク)
- 意思決定の記録(例:「認証方式はAuth0を採用する」)
- ワークフロー規則(例:「デプロイ前にテストを実行する」)
長期保存に適さないものには、次のような情報がある。
- 単発で発生したツールエラー
- 現在のshellにおける一時的なパス
- Agent自身がまだ検証していない推測
- 完了済みタスクに見つかる大量の中間工程
書き込み処理には、出典と信頼度の状態が必要だ。さもないと、モデルのhallucinationを「ユーザーの事実」として固定してしまう。
2. 整理:記憶に構造を与える
生のテキストは人間には読みやすいが、機械が扱うには適していない場合がある。
実用的な方法として、2種類のデータを同時に保持することがある。
- 人間向けの可読な記憶
- プログラム向けの構造化フィールド
例:
{
"key": "project.deploy_command",
"value": "make release",
"scope": "project:web-api",
"source": "user",
"confidence": 1.0,
"updated_at": "2026-08-24T10:30:00Z"
}
keyは重複排除と上書きを担い、scopeは分離を制御し、sourceは根拠を記録し、updated_atは新旧の判断に使う。
この方式なら、10件の記憶を1つのベクトルへ詰め込むより監査しやすい。ベクトルは意味が近い表現の探索には適しているが、一貫性の判断を単独で担うには適さない。
3. 検索:まず正確に、その後に広げる
検索経路は「ベクトル検索のtop-k」だけにするべきではない。
より信頼できる小規模なシステムでは、次の手法を組み合わせる。
- 完全一致:
key、プロジェクトID、ユーザーIDで読み込む - キーワード検索:コマンド、エラーコード、固有名詞を探す
- ベクトル検索:自然な言い換えや意味が近い表現を扱う
- 時間フィルタ:すでに期限切れの候補を除外する
- 権限フィルタ:現在のAgentがアクセスできる記憶だけを検索する
取得した候補は重新Rankingが必要だ。例えば、現在の構成に完全一致した内容は、意味は似ているが期限切れの議論より前に置く。
4. 更新と削除:古い事実を退場させる
更新は単純な追記ではない。
新しい記憶と古い記憶が競合した場合、少なくとも次を処理する必要がある。
- 上書き:ユーザーが古い好いを明確に修正した
- 統合:2つの情報が同じ事実を説明している
- 無効化:時間条件がすでに終了した
- 履歴の保持:現在の値は変わったが、古い値を監査する必要がある
- 削除:その内容を保存し続.Shouldn'tない
システムがappendだけを行った場合、記憶が増えるほど競合も増える。Agentは毎回2~3版を想起し、その中から自分で選ぶことになる。これはモデルへガバナンスのコストを押しつけるだけでなく、保証も得られない。
エンジニアリング実装:まず最小のループを作る
最初から複雑な複数Agent型のメモリグラフを導入する必要はない。
まず、構造化保存、ハイブリッド検索、タイムスタンプ、上書き更新を含む、動作する最小ループを実装する。その後、固定の评测セットを追加し、記憶がAgentを助けているのか、それともノイズを生んでいるのかを確かめる。
以下の例はSQLiteを使う。ベクトルデータベースは不要で、「書き込み、keyによる読み込み、キーワード検索」という最小の流れを動かせる。
import sqlite3
from datetime import datetime, timezone
DB_PATH = "agent_memory.db"
def init_db():
with sqlite3.connect(DB_PATH) as conn:
conn.execute(
"""
CREATE TABLE IF NOT EXISTS memories (
id INTEGER PRIMARY KEY AUTOINCREMENT,
key TEXT NOT NULL,
value TEXT NOT NULL,
scope TEXT NOT NULL,
source TEXT NOT NULL,
confidence REAL NOT NULL DEFAULT 1.0,
updated_at TEXT NOT NULL,
UNIQUE(key, scope)
)
"""
)
conn.execute(
"""
CREATE VIRTUAL TABLE IF NOT EXISTS memory_search
USING fts5(key, value, scope, content='memories', content_rowid='id')
"""
)
conn.execute(
"""
CREATE TRIGGER IF NOT EXISTS memories_ai AFTER INSERT ON memories BEGIN
INSERT INTO memory_search(rowid, key, value, scope)
VALUES (new.id, new.key, new.value, new.scope);
END
"""
)
conn.execute(
"""
CREATE TRIGGER IF NOT EXISTS memories_ad AFTER DELETE ON memories BEGIN
INSERT INTO memory_search(memory_search, rowid, key, value, scope)
VALUES ('delete', old.id, old.key, old.value, old.scope);
END
"""
)
conn.execute(
"""
CREATE TRIGGER IF NOT EXISTS memories_au AFTER UPDATE ON memories BEGIN
INSERT INTO memory_search(memory_search, rowid, key, value, scope)
VALUES ('delete', old.id, old.key, old.value, old.scope);
INSERT INTO memory_search(rowid, key, value, scope)
VALUES (new.id, new.key, new.value, new.scope);
END
"""
)
def remember(key, value, scope="global", source="user", confidence=1.0):
now = datetime.now(timezone.utc).isoformat()
with sqlite3.connect(DB_PATH) as conn:
conn.execute(
"""
INSERT INTO memories(key, value, scope, source, confidence, updated_at)
VALUES (?, ?, ?, ?, ?, ?)
ON CONFLICT(key, scope) DO UPDATE SET
value = excluded.value,
source = excluded.source,
confidence = excluded.confidence,
updated_at = excluded.updated_at
""",
(key, value, scope, source, confidence, now),
)
def get_exact(key, scope="global"):
with sqlite3.connect(DB_PATH) as conn:
row = conn.execute(
"SELECT key, value, scope, source, confidence, updated_at "
"FROM memories WHERE key = ? AND scope = ?",
(key, scope),
).fetchone()
return dict(zip(
["key", "value", "scope", "source", "confidence", "updated_at"], row
)) if row else None
def search(query, scope="global", limit=5):
with sqlite3.connect(DB_PATH) as conn:
rows = conn.execute(
"""
SELECT m.key, m.value, m.scope, m.source, m.confidence, m.updated_at
FROM memory_search AS s
JOIN memories AS m ON m.id = s.rowid
WHERE memory_search MATCH ? AND m.scope = ?
ORDER BY m.updated_at DESC
LIMIT ?
""",
(query, scope, limit),
).fetchall()
return [dict(zip(
["key", "value", "scope", "source", "confidence", "updated_at"], row
)) for row in rows]
init_db()
remember(
"project.deploy_command",
"make release",
scope="project:web-api",
)
remember(
"response.language",
"中文",
scope="user:42",
)
print(get_exact("project.deploy_command", "project:web-api"))
print(search("deploy", scope="project:web-api"))
ここでは意図的にembedding APIを呼んでいない。理由は単純だ。まずデータモデルとライフサイクルを検証し、その後に意味検索が必要か判断する。
キーワード検索が同義表現を頻繁に落とす場合や、ユーザーが複数の表現を使う場合だけ、ベクトル検索を追加する。ベクトルデータベースは記憶システムの出発点ではない。
複雑なアーキテクチャも段階的に追加する。
- 単一テーブルの構造化記憶:重複排除、上書き、削除を検証する
- SQLite + FTS5:キーワード検索を検証する
- ハイブリッド検索:embeddingとrerankerを追加する
- 独立したメモリサービス:マルチテナントやAgent間共有の必要性が出てから導入する
本当のボトルネックは記憶のガバナンス
エンジニアリング上で最も難しいのは、検索アルゴリズムではなく、「何を記憶する資格があるか」を判断することだ。
ここには4種類の一般的な問題がある。
期限切れの情報
「現在のブランチはmain」は、今日は有効でも明日は古くなる。スコープと時刻を記録しなければ、Agentは古い状態を事実として扱う。
競合する事実
プロジェクトのREADMEにはPostgreSQLを使うobjectiveと書かれていても、デプロイスクリプトにはMySQLがGRAVt진다。システムはそのどちらかを勝手に選ぶべきではない。競合を記録してユーザーに確認するか、信頼度の高い情報源を優先する必要がある。
誤った書き込み
Agentが曖昧な表現から推測した内容を、そのまま長期的な事実へ変換してはならない。書き込み前には、ユーザーの明示的な発言、ツールによる検証結果、モデルによる推測を区別する。
権限の境界
「ユーザーが何と言ったかを記憶する」ことと、「ユーザーが閲覧できない内容を記憶する」ことは別である。メモリストアには、ユーザー、プロジェクト、テナント、Agentの権限を付与する必要がある。検索前のフィルタをpromptだけに依存させてはならない。
さらに、見落とされがちな指標として想起精度がある。
top-kの命中率だけを測るのでは不十分だ。少なくとも次を分けて評価する。
- Precision:想起した記憶のうち、実際に関連するものが何件あるか
- Recall:そのタスクに必要な事実をどれだけ発見できたか
- Freshness:想起した内容が依然として有効か
- Conflict rate:想起集合内で矛盾する内容がどれほどあるか
- Write precision:書き込み済みの記憶のうち、長期保存に値するものが何件あるか
評価セットがなければ、チームはdemoに Easily 影響されやすい。Agentの回答が良かったのは、たまたま正しい記憶を想起しただけかもしれない。タスクや質問の表現が変われば、Systemは破綻する。
Anthropicの論文がHNのフロントページに載り、97ポイントと55件のコメントを集めたことは、記憶がAgentエンジニアリングの核心議題になったことを示す。しかし、アーキテクチャが複雑になるほど、まず測定可能な行動の定義が必要になる。
編集の視点
Agent Memoryが重要なのは、Agentが多くのことを記憶できるからではない。記憶によって、1回の会話に含まれる一時的な情報が、タスクをまたぐ状態へ変換されるからだ。書き込みに誤り、期限切れ、権限逸脱があれば、その誤りは後続のタスクへ影響し続ける。保存と検索には成熟したツールがあるが、複製が難しいのは書き込み条件、競合処理、権限境界、削除規則だ。
予測すると、Teamsが導入際、まず記憶の評価セットを作り、その後にvector databaseを選ぶ可能性が高い。固定されたサンプルと指標がなければ、1回の想起が有用な助けだったのか、たまたま正解へ当たっただけなのかを判断できない。評価対象には少なくとも、書き込み、想起、上書き、削除を含め、Precision、Recall、Freshness、Conflict rateを個別に集計する必要がある。
これは以往の長上下文手法とは異なる。長文脈は主に、単一リクエストで確認できる資料量を増やす。Agent Memoryはタスクをまたぐ状態を管理し、古い事実を無効にする。さらに、ストレージ層を1つ追加するだけでなく、ライフサイクルのガバナンスを導入する。
統一された評価標準がいつ登場するかは、まだ分からない。異なる製品では、「ユーザーの好み」「プロジェクトの事実」「ワークフロー規則」の境界も異なる。標準が成熟するまでは、每一次の書き込みと想起の出典を記録し、挙動を監査可能な状態にしておく方が、複雑なアーキテクチャを先に積み上げるより確実だ。
出典
https://www.anthropic.com/research/components-of-agent-memory