AIエージェントの記憶とコストを「ライフサイクル問題」として解決する新手法

Agentic Context Management: Memory and Cost as Architecture Problems

本論文は、本番環境のAIエージェントの失敗が、推論能力よりもコンテキスト管理能力に起因すると指摘。会話履歴やツール出力が肥大化し、トークンコストが2次的に増加する問題を、単なる保存・検索ではなく、ライフサイクル全体として捉える「Agentic Context Management (ACM)」を提唱。5つの基本要素（設計、取り込み、スコープ、予測、圧縮・統合）を定義し、コストを線形に抑えつつ精度を維持する圧縮手法を提案。実装例「Maximem Synap」はLongMemEvalで92%、LoCoMoで93.2%を達成。既存ベンチマークが捉えていないレイテンシやトークン効率などの次元も議論する。