Microsoftが発表したAI長期記憶アーキテクチャ「Memora」— 抽象化と具体性の両立による次世代エージェントへの道

📝 概要

Microsoft Researchは、AIエージェントが直面する「記憶」の課題を解決するための新アーキテクチャ「Memora」を公開しました。従来のAIエージェントは、長い対話履歴をすべて読み直す際のトークンコスト増大や、要約による詳細情報の消失というジレンマを抱えていました。Memoraは、情報の詳細（具体性）を保持しつつ、多角的な検索インデックス（抽象化）を構築することで、この問題を解消します。ベンチマークでは、従来のRAG手法を上回る精度を記録しながら、使用トークン量を最大98％削減することに成功しており、AIが長期的なパートナーとして機能するための重要な基盤技術となることが期待されます。

📋 詳細レポート

記憶のボトルネック：要約と詳細のトレードオフ

多くのAIエージェントは、対話のたびに文脈を読み直すか、外部データベースから情報を検索する手法を採用しています。しかし、プロジェクトが長期化するほど処理に必要なトークン数は増大し、コストと速度を優先して情報を要約すれば、日付や特定の条件といった重要な詳細が抜け落ちるリスクが生じます。既存のMem0やGraphRAGといった手法も、記憶の断片化や検索の精度の面で一長一短があり、AIの「物忘れ」を防ぎつつ効率的に運用することが困難でした。

Memoraの核心：多角的な想起を可能にする設計

Memoraは、記憶の「保存」と「検索」を分離して管理する独自のアプローチを採用しています。

• memory value: 会話の経緯やプロジェクトの詳細など、保持すべき具体的な情報をそのまま格納します。
• primary abstraction: 記憶の主題を短い語句で表した要約であり、検索の第一段階として機能します。
• cue anchors: 人物名、日付、プロジェクト名など、特定のキーワードから目的の記憶へたどり着くための複数の「手がかり」を生成します。

この構造により、人間が「誰との会話だったか」あるいは「どのプロジェクトの話だったか」など、異なる切り口から過去の出来事を思い出すような、柔軟な情報想起が可能になります。

段階的な検索を実現する「Policy-guided retriever」

Memoraは、一度の検索で結果を返すだけでなく、検索方針を自律的に見直す「policy-guided retriever」を備えています。AIエージェントは、最初の検索で十分な情報が得られなかった場合、手がかり（cue anchors）を広げて関連情報を再探索します。これにより、表面的には似ていないが文脈上重要な情報へも到達可能です。ベンチマークテスト「LoCoMo」では、この方式を用いた「Memora(P)」がLLM判定での一致率86.3％を記録し、全文を読み込ませる方式や従来のRAGを上回る性能を示しました。

今後の展望と拡張機能

現時点でMemoraは研究段階の成果であり、直ちに製品へ実装されるわけではありませんが、Microsoft Researchはさらなる拡張性を提示しています。

• MemLoop: タスクの成否から記憶システムを自己改善する機能。
• Deferred Memory: 十分な文脈が集まるまで記憶の固定を遅らせる手法。
• Group Memory: 複数のエージェント間で知識を共有しつつ、出典やアクセス権限を管理する仕組み。

これらの技術は、AIエージェントが一時的なツールではなく、ユーザーと共に知識を積み上げ、長期間にわたって協力し合える存在になるための土台として位置づけられています。