MemForest: 階層的時間索引を用いた効率的なエージェントメモリシステム

要旨

メモリは、長コンテキストLLMエージェントを実現するための基本要素であり、継続的な提供・更新ライフサイクルを通じて相互作用間の永続的な状態をサポートする。先行研究は多数存在するものの、既存システムは2つの主要な制約、すなわち粗粒度な状態管理と本質的に逐次的な更新パイプラインにより、大きなメンテナンスオーバーヘッドを被っている。特に、更新はしばしばLLM推論と密に結合されており、全状態の書き換えを必要とするため、メモリの蓄積に伴いスケーラビリティが低下し、レイテンシが増大する。これらの課題に対処するため、我々はMemForestを提案する。これはエージェントメモリを書き込み効率の良い時間的データ管理問題として再定義するメモリフレームワークである。MemForestは並列チャンク抽出により逐次的なボトルネックを解消し、メモリ構築を並行・独立した操作に分離する。さらに粗粒度なメンテナンスを排除するため、MemTreeを導入する。これはメモリをフラットなグローバル要約ではなく時間順のツリーとして編成する階層的時間インデックスである。この設計は全状態の書き換えを局所的なノード単位の更新に置き換え、影響を受けるツリーパスのみにメンテナンスコストを削減すると同時に、時間的に進化する状態を自然に保持する。我々はMemForestを2つの長コンテキストメモリベンチマーク、LongMemEval-SとLoCoMoで評価する。LongMemEval-Sにおいて、MemForestは状態を持つベースラインの中で最高の総合性能を達成し、79.8%のpass@1精度を達成するとともに、EverMemOSを含む最先端手法と比較して約6倍高いメモリ構築スループットを維持する。

English

Memory is a fundamental component for enabling long-context LLM agents, supporting persistent state across interactions through a continuous serve-and-update lifecycle. Despite substantial prior work, existing systems suffer from significant maintenance overhead due to two key limitations: coarse-grained state management and inherently sequential update pipelines. In particular, updates are often tightly coupled with LLM inference and require full-state rewrites, leading to poor scalability and growing latency as memory accumulates. To address these challenges, we present MemForest, a memory framework that reformulates agent memory as a write-efficient temporal data management problem. MemForest breaks the sequential bottleneck via parallel chunk extraction, decoupling memory construction into concurrent, independent operations. To further eliminate coarse-grained maintenance, we introduce MemTree, a hierarchical temporal index that organizes memory as time-ordered trees rather than flat global summaries. This design replaces full-state rewrites with localized per-node updates, reducing maintenance cost to the affected tree paths while naturally preserving temporally evolving states. We evaluate MemForest on two long-context memory benchmarks, LongMemEval-S and LoCoMo. On LongMemEval-S, MemForest achieves the best overall performance among stateful baselines, reaching 79.8% pass@1 accuracy while sustaining a memory construction throughput approximately 6x higher than state-of-the-art approaches including EverMemOS.