エージェントコンテキスト管理: エージェントのメモリとコストをライフサイクルおよびアーキテクチャの問題として捉え解決する

要旨

プロダクションAIエージェントの失敗は、推論能力の不足よりも、むしろ推論コンテキスト内の情報（会話履歴、大規模なプロンプト、大規模なツール定義、肥大化するツール出力）を適切に管理できないことに起因することが多い。エージェントは蓄積される自身の履歴に埋没し、ターンごとに増大するトークンコストを支払いながら、会話内および会話間での想起欠落を引き起こす。従来の対応策はこれを保存と検索の問題として扱うが、我々はその枠組みが狭すぎると主張する。エージェントが保持すべき情報を能動的に管理することは、単なる保存領域ではなく、ライフサイクル全体を対象とする。すなわち、何を記憶すべきかの決定、その抽出と構造化、データタイプに応じた適切な保存先の選択、出典を保持したままの統合と忘却、現在の関連性の判断、次に必要となる情報の予測、そして重要な情報を失わずにコンテキストを予算内に圧縮すること、これら全てを包含する。本格的なプロダクション環境では、これは単一ユーザーではなく、組織全体のスコープ階層にわたって動作する。我々はこの学問領域を「エージェンティックコンテキスト管理（Agentic Context Management: ACM）」と命名し、その基本要素を5つに分解する：アーキテクチャ設計（architecting）、取り込み（ingesting）、スコーピング（scoping）、予測（anticipating）、圧縮と統合（compacting & consolidation）。次に経済的根拠を示す：ナイーブなコンテキスト蓄積は会話長に対してトークンコストが二次関数的に増大し、粗い要約では線形コストを達成する代わりに精度の急激な低下を招き、検証済みの圧縮のみが忠実度を保ちながら線形コストを実現する。我々はこの5つの基本要素をマルチテナントサービスとして実現した参照実装「Maximem Synap」を説明し、第6節で詳述する構成においてLongMemEvalで92%、LoCoMoで93.2%のスコアを報告する。最後に、既存のベンチマークが未だ捕捉していない次元（レイテンシ、トークン効率、コンテキストローテーション耐性）と、このカテゴリが指向する意思決定レベルおよび組織レベルのコンテキストのフロンティアについて述べる。

English

Production AI agents' failures are less often due to an inability to reason well and more often because they cannot manage what is in their reasoning context: conversation histories, large prompts, large tool definitions, and ballooning tool outputs. Agents drown in their own accumulating history while paying a token cost that grows every turn, producing missing recalls within and across conversations. The incumbent response treats this as a storage-and-retrieval problem. We argue that framing is too narrow. Actively managing what an agent holds in mind is a lifecycle, not merely a store: it spans deciding what to remember, extracting and structuring it, choosing the right store per data type, consolidating and forgetting while preserving provenance, deciding what is relevant now, anticipating what is needed next, and compacting context to a budget without losing what matters. In serious production this operates not over a single user but across an organizational scope hierarchy. We name this discipline Agentic Context Management (ACM) and decompose it into five primitives: architecting, ingesting, scoping, anticipating, and compacting & consolidation. We then make the economic case: naive context accumulation grows token cost quadratically in conversation length, crude summarization buys linear cost at the price of an accuracy cliff, and only validated compaction achieves linear cost with preserved fidelity. We describe a reference implementation, Maximem Synap, that realizes the five primitives as a multi-tenant service and reports 92% on LongMemEval and 93.2% on LoCoMo under the configuration detailed in Section 6. We close with dimensions existing benchmarks do not yet capture, latency, token efficiency, and context-rot resistance, and the frontier of decision-level and organization-level context the category points toward.