重要な時に思い出す：長期的エージェントのためのプロアクティブ記憶エージェント

要旨

長期的なタスクにおいて、意思決定に関連する状態は拡大する軌跡全体に散在することが多く、行動エージェントはそれを浮き彫りにして行動しなければならない。軌跡が長くなるにつれて、タスク要件、環境の事実、過去の試行、診断、未完了のサブゴールは、コンテキストウィンドウに埋もれたり、その外に押し出されたりして、必要な時に意思決定に影響を与えなくなる。この障害モードを「行動状態減衰」と呼ぶ。本稿では、記憶を受動的な検索ではなく、能動的な介入メカニズムとして研究する。独立した記憶エージェントが未修正の行動エージェントと並行して動作し、最近の軌跡から構造化されたメモリバンクを更新し、記憶に基づくリマインダーを注入するか、沈黙を保つかを決定する。このモジュールは、フロンティアの行動エージェントや既存のエージェントハーネスに対してプラグアンドプレイで利用できる。Terminal-Bench 2.0およびτ^2-Benchにおいて、弱い行動エージェントと強い行動エージェントの両方でpass@1が向上し、Terminal-Benchでは+8.3ポイント、τ^2-Benchでは+6.8ポイントの改善が見られた。アブレーション実験により、選択的介入が受動的バンク露出、常時注入、アドバイザーのみのガイダンス、一般的な検索よりも優れていることが示された。オープンウェイト記憶ポリシーへの初期ステップとして、SETAに対してSFTおよびGRPOを用いてQwen3.5-27Bを訓練し、検証報酬を改善し、Terminal-Benchへの部分的な転移を達成した。

English

In long-horizon tasks, decision-relevant state is often scattered across an expanding trajectory, while the action agent must surface it and act. As trajectories grow, task requirements, environment facts, prior attempts, diagnoses, and open subgoals can be buried in the context window or pushed beyond it, failing to influence decisions when needed. We call this failure mode "behavioral state decay". We study memory as an active intervention mechanism rather than passive retrieval. A separate memory agent runs alongside an unmodified action agent, updating a structured memory bank from the recent trajectory and deciding whether to inject a memory-grounded reminder or remain silent. The module is plug-and-play with frontier action agents and existing agent harnesses. Across Terminal-Bench 2.0 and τ^2-Bench, it improves pass@1 for both weaker and stronger action agents, with gains of +8.3 pp on Terminal-Bench and +6.8 pp on τ^2-Bench. Ablations show that selective intervention outperforms passive bank exposure, always-on injection, advisor-only guidance, and general retrieval. As an early step toward open-weight memory policies, we train Qwen3.5-27B on SETA using SFT and GRPO, improving validation reward and achieving partial transfer to Terminal-Bench.