AIエージェント導入・運用

AIエージェントの「記憶」は量より適量。IBM Researchの検証から学ぶ選び方

公開日 ・更新日

エージェントに過去の学びを全部渡せばよいとは限りません。モデルが使える量に合わせて、必要な経験だけを取り出す方が、正確さと費用を両立しやすくなります。

公式情報で確認できること

Hugging Faceに掲載されたIBM Researchの記事は2026年8月18日、ALTK-Evolveでエージェントの過去の軌跡から再利用できるガイドラインを抽出し、推論時に与える検証を紹介しました。モデルの重みを更新せず、人手で注釈を付けずに、経験を「記憶」として使う方法です。

8モデルを比較すると、十分な余力があるモデルは全ガイドライン、弱いモデルは小さな基本セットとタスク別検索、すでに飽和しているモデルは追加しても測定上の改善が出ない、という三つの傾向が見られました。AppWorldの585個の複数手順タスク、9つのシミュレーションアプリで評価し、gpt-oss-120bではタスク別の選択で完了率が16.1ポイント上がり、入力トークンの増加は5%だったと報告しています。記事は単一ベンチマークの結果で、原因を切り分けた証明ではないとも説明しています。

実務での提案

一つ目は、記憶を会話全文ではなく、再利用できる判断ルールとして保存することです。成功例、失敗例、例外条件を短く分けます。

二つ目は、タスクごとに取り出す量を変えることです。毎回すべての履歴を入れず、依頼に関係する数件だけを選び、入力トークンと完了率を同時に測ります。

三つ目は、機密情報の保持期限を決めることです。記憶へ入れる前に個人情報や顧客情報を除き、誰が削除・修正できるかを決めます。

まだ確認できないこと

AppWorldの結果が、実際の顧客対応や社内業務でそのまま再現するかは未確認です。モデルの能力、コンテキスト長、ガイドラインの品質、タスクの種類で最適量は変わります。記事も、現実の運用や別のベンチマークでの検証は進行中だとしています。

AIエージェントの記憶を増やす前に、残す情報・取り出す条件・削除経路を決めたい方は、COZITOへご相談ください。

出典・参考資料

著者: 松井 勇樹