「Agent Memory」タグの記事が1件件あります

自律型AIエージェントを長期的な開発パートナーや自律エンジニアとして実務に導入すると、誰もが次の3つの深刻な構造的ボトルネックに直面します：

1. 「昨日時間をかけて議論し決定した重要なアーキテクチャ方針を、今朝のセッションで完全に忘れてしまう。」
2. 「10万行の大規模コードベースを100万トークンのコンテキストウィンドウに丸ごと投入すると、途中の重要コードを見落とし（Lost-in-the-Middle現象）、1ターンごとに数ドルのAPIコストが吹き飛ぶ。」
3. 「RAGエージェントが検索した複数ドキュメントのチャンク（Chunk）をプロンプト内で結合すると、プレフィックスKVキャッシュが無効化され、最初のトークン生成時間（TTFT）が数秒単位で遅延する。」

人間の脳は物理的に限られた作業記憶（わずか4〜7個のチャンク）しか持たないにもかかわらず、数十年前の記憶を瞬時に引き出し、新たな領域の知識を認知麻痺なく統合することができます。

Stanford CS329A: Self-Improving AI Agentsの**Part 3: エージェントエンジニアリング（Agent Engineering）**第2弾となる本講義では、Agent Memory Architectureを探求し、自律システムに永続的かつ階層的な記憶力を与える3つの主要な抽象化レイヤーを解説します：

• ソフトウェア制御層 (MemGPT, UC Berkeley 2023): OSの仮想メモリページングを模した階層型メモリ管理
• ニューラル表現層 (Cartridges, 2025): 自主学習（Self-Study）を通じて大量文書を小型かつモジュール化された連続KVベクトルに蒸留
• システムインフラ層 (CacheBlend, EuroSys 2025): チャンク間クロスアテンションを選択的に再計算しTTFTを3.3倍短縮するKVキャッシュ融合