2026年8月19日 03:09
IBM研究:AIエージェントの記憶最適化
How Much Memory Does Your Agent Actually Need?
3行まとめ
- •IBM研究がエージェント記憶を分析
- •強モデルは全情報、弱モデルは絞り込みが有効
- •8モデルで実験、トークン費用も比較
詳細
背景
AIエージェントは過去のタスク経験から抽出した行動ガイドラインをメモリとして蓄積し、次のタスク実行に活用する手法が広がっている。IBM Researchは、与えるガイドライン量の最適解がモデルの性能によって異なるかを、30B〜671Bまで規模の異なる8種類のモデルで検証した。
内容
性能の高いモデルほど全ガイドラインを与える方が有効で、DeepSeek-V3.2（671B MoE）はタスク完了率が9.5ポイント、シナリオ完了率が16.1ポイント向上した。逆にgpt-oss-120bのような非力なモデルは情報過多で性能が落ちやすく、関連ガイドラインのみを検索して渡す方式で完了率が16.1ポイント向上し、トークン増加は5%に留まった。GLM-5では追加のメモリを与えても改善は見られなかった。
今後の影響
結果は、エージェント設計において固定のメモリ戦略ではなく、使用モデルの能力に応じてガイドラインの与え方を調整する必要性を示す。プロンプトキャッシングと組み合わせれば、コストを抑えつつ精度を高める設計指針として実務に応用できる。
なぜ重要か
エージェント設計で与える情報量をモデル性能に応じ最適化すべきと示す実証研究。
元記事を読む — Hugging Face Blog