「エージェントメモリは複雑なほど良い」は本当でしょうか？ タイトル: Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought URL: ❓ そもそも何を問う論文？ 抽出・要約・グラフ化・更新を備えた「エージェンティックメモリ」は、素朴なRAGより優れているのか。その差が弱いベースラインのせいではないかを検証しています。 ❓ 比較した「素朴なRAG」とは？ 💡 Raw-RAGは、会話を256トークンの窓に切って埋め込み、上位128件を取得、クロスエンコーダで15件に絞ってLLMに渡すだけ。LLMによる抽出・要約・グラフ構築は一切ありません。 ❓ 結果は？ 💡 7つの設定のうち6つでRaw-RAGがメモリシステム中トップ。MemoryAgentBenchではMemoraの43.84に対し48.32でした。しかも取り込みは速く、約100万トークンでRaw-RAGは0.33時間、Memoraは26.95時間です。 ❓ なぜ複雑な仕組みは勝てない？ 💡 差を生むのは証拠を使う力より届ける力でした。原子的事実の抽出を足すと19.62ポイント低下し、要約やグラフ拡張も約6ポイント悪化。変換したストアは生の証拠に届きませんでした。 #AIエージェント# #RAG#

エージェントのメモリは、実はIR（情報検索）の問題だ。清華大学のQingyao Ai氏による、そんな問題提起のパースペクティブ論文です。 タイトル: Agentic Memory Management Is the Next Frontier of Information Retrieval URL: 🧠 概要 IRは「検索結果を読むのは人間」という前提で発展してきました。しかしエージェントは検索した情報を自分の内部状態として使います。この論文は、エージェントのメモリ管理をAMMとして整理します。 ❓ 解決する課題 エージェントメモリの研究は場当たり的で、人間の心理学から借りた用語が一貫せず、評価も弱いままです。 🧩 提案する枠組み ・constants：事実（内容でマッチ） ・functions：スキルやワークフロー（適用可能性でマッチ） ・operators：好みやスタイル（スコープでマッチ） 追加・更新・削除・検索・利用の5操作を、学習・忘却・利用にまとめます。RAG、MemGPT、Mem0なども分類し、再利用可能なスキルや原理的な忘却が手薄だと指摘しています。 🔭 今後の課題 ・3層を網羅し忘却も測るベンチマーク ・下流タスクの成果で診断できる「観測可能性の反転」 ・メモリポイズニングなど人間による制御とセキュリティ 実験はなく、枠組みと推測を示す論文です。 #AgentMemory# #情報検索#

エージェントのメモリ管理、毎回LLMに聞きに行っていませんか？その無駄を「速い脳」と「遅い脳」で切り分けた研究です。 タイトル: Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents URL: 人間の二重過程理論（System One / System Two）にヒントを得て、メモリ操作の大半を軽量な構造化判断で処理し、複雑な推論だけをLLMに残すアーキテクチャです。注目ポイントを3つ紹介します。 🧠 System-Oneによる型付き制御 種別判定・関係判定・クエリルーティングといった頻出操作を、自由形式のテキストではなく確率やラベルを返す軽量インターフェースで処理。メモリ構築と検索の両方を同じ仕組みで統治します。 🕸️ 4種の関係を持つマルチリレーショナルグラフ 意味・時間・因果・エンティティという4つの視点でメモリをグラフ化し、クエリごとに関連度の高いビューへ予算を配分して探索することで、無駄な探索を避けます。 📊 精度と速度の同時改善 LoCoMoベンチマークで総合スコア0.777とベースライン比11%向上。メモリ構築は158秒で最速ベースライン比6.6倍高速、クエリ応答も0.93秒で36.7%短縮しました。 制御と推論を分離するという発想が、精度と効率を両立させた点に意義を感じます。 #AIエージェント# #メモリアーキテクチャ#