MemCurrent：プロダクションエージェントのための永続メモリ設計

AIツールによって、エージェントのバイブコーディング（vibe code）は容易になりました。しかし、本番環境でエンタープライズ向けエージェントを構築・維持することは、依然として大きな課題です。特に開発者は、品質（特にロングテールタスクで適切な回答を得ること）と効率性（大規模環境でのコストとレイテンシの抑制）のトレードオフを迫られることがよくあります。多くの場合、ある次元での利点は別の次元での犠牲を伴います。 メモリは、両方を同時に改善するための有望なアプローチです。メモリを活用することで、エージェントはユーザーの好み、以前の修正内容、メトリクス定義、成功したワークフローなどの有用なコンテキストをタスク間で共有できます。原理的には、これにより精度が向上し、繰り返しのエラーが減少し、無駄な再発見を回避できます。しかし、履歴が多ければ優れたメモリになるというわけではありません。過去のあらゆるやり取りを提供することはコストがかかり、古くなった情報、矛盾する情報、無関係なコンテキストを持ち込む原因になります。中心となる課題は、何を保持し、どのように維持し、どのように有用性を測定するかを決定することです。 本記事では、本番用エージェント向けの永続的メモリアーキテクチャである MemCurrent を紹介します。これは現在、新しい Agent Bricks Memory や Genie の原動力となっています。エージェントは作業しながらメモリを読み書きし、オフラインの「ドリーミング（dreaming）」パイプラインがメモリを統合して、一貫性と最新性を維持します。現実的なエンタープライズタスクから作成された内部ベンチマークでは、MemCurrentはメモリなしの場合と比較して、トークン使用量を31%削減し、処理速度を26%向上させながら、エージェントのパス率（達成率）を3倍に高めました。本記事の残りでは、その設計および評価方法と、そのプロセスで得られた知見について解説します。 図1. 内部メモリベンチマークにおけるタスクあたりのパス率対トークン数。MemCurrentはパレートフロンティア上にあり、品質と効率の両方の次元でMem0、PropMem、OpenClawメモリを上回っています。 メモリの設計方法 エージェントにメモリを組み込む方法は3つあります。 プラグインとして組み込む方法（ MemAlign や Memory Scaling に関する当社の以前の研究と同様）では、セッション内の定められた時点でメモリが自動的に読み書きされます。 ツールとして組み込む方法では、エージェントがいつ、何を読み書きするかを判断します。...