深層研究による汎用エージェントメモリ

要旨

メモリはAIエージェントにとって極めて重要であるが、広く採用されている静的メモリは、事前に利用可能なメモリを作成することを目指すため、必然的に深刻な情報損失を被る。この制約を解決するために、我々は新たなフレームワークである汎用エージェントメモリ（General Agentic Memory, GAM）を提案する。GAMは「ジャストインタイム（JIT）コンパイル」の原則に従い、オフライン段階ではシンプルだが有用なメモリのみを保持しつつ、実行時にクライアント向けに最適化されたコンテキストを作成することに焦点を当てる。これを実現するため、GAMは以下のコンポーネントからなるデュオデザインを採用する。1）メモライザ（Memorizer）：軽量なメモリを使用して重要な履歴情報を強調しつつ、完全な履歴情報をユニバーサルページストア内に保持する。2）リサーチャ（Researcher）：事前に構築されたメモリに基づいて、オンラインリクエストに対してページストアから有用な情報を検索し統合する。この設計により、GAMは最先端の大規模言語モデル（LLMs）のエージェント能力とテスト時のスケーラビリティを効果的に活用しつつ、強化学習を通じたエンドツーエンドの性能最適化を促進する。実験的研究において、GAMが既存のメモリシステムに対して、様々なメモリ基盤タスク完了シナリオで大幅な改善を達成することを示す。

English

Memory is critical for AI agents, yet the widely-adopted static memory, aiming to create readily available memory in advance, is inevitably subject to severe information loss. To address this limitation, we propose a novel framework called general agentic memory (GAM). GAM follows the principle of "just-in time (JIT) compilation" where it focuses on creating optimized contexts for its client at runtime while keeping only simple but useful memory during the offline stage. To this end, GAM employs a duo-design with the following components. 1) Memorizer, which highlights key historical information using a lightweight memory, while maintaining complete historical information within a universal page-store. 2) Researcher, which retrieves and integrates useful information from the page-store for its online request guided by the pre-constructed memory. This design allows GAM to effectively leverage the agentic capabilities and test-time scalability of frontier large language models (LLMs), while also facilitating end-to-end performance optimization through reinforcement learning. In our experimental study, we demonstrate that GAM achieves substantial improvement on various memory-grounded task completion scenarios against existing memory systems.

深層研究による汎用エージェントメモリ

General Agentic Memory Via Deep Research

要旨

Support