GraphMemoryは経験が増えてもエージェントのメモリ検索を一定に保つ

企業、科学、医療の各アプリケーションにおけるLLMエージェントは、ドメイン知識を取り込み、経験から適応する必要がある。コンテキストエンジニアリングは推論時の挙動を改善するが、コンテキストをオンラインで適応させるのはコストのかかる試行錯誤のプロセスであり、クエリが独立に処理されるため有用な経験を先へ引き継ぐことができない。共有コンテキストに継続的に追記するメモリシステムは、トークンコストの増大、コンテキストウィンドウの制限、コンテキストの拡大に伴う性能劣化に直面する。

本論文はまず統一的な定式化を提示する。エージェントのメモリシステムの更新は、モデルのコンテキストに対する最適化更新手続きとして解釈できる。GraphMemoryはその視点を、再利用可能な戦略を蓄積・洗練・整理・接続する軽量なグラフベースのメモリに適用し、クエリごとに関連するサブグラフのみを検索するため、モデルがメモリ全体を見ることはない。

有界な検索の下では、処理される事例が増えても検索されるメモリの量は一定に保たれる。実験では、GraphMemoryはベースラインと比べてメモリ構築トークンを約81〜85%削減しつつ、下流タスクで競争力のある性能を達成した。

メモリをトランスクリプトではなくデータベースのように読む。メモリがどれほど大きくなっても、固定の予算の下で関連するサブグラフのみを検索する

クエリごとのトークンコストを決めるのはメモリのサイズではなく検索予算である。

グラフ構造により、洗練と接続を書き込み時に行えるため、読み取りを小さく保てる。

メモリの更新をコンテキスト最適化として解釈することで、メモリ設計に原理的な効率性の手がかりが得られる。

メモリをコンテキストから分離することで、トランスクリプトの肥大化とコンテキストウィンドウの制限の両方を回避できる。

経験ストアがスケールするのは、読み取りが有界である場合に限る。クエリが固定サイズの近傍を引き出すようにメモリを構造化すれば、経験から学ぶコストは経験の量とともに増大しなくなる。

2026年10月2日にarXivへv1プレプリントとして投稿された。arXivのコメントにはNeurIPSワークショップ（TTCL）版があることが記されている。ベースラインと比べてメモリ構築トークンを81〜85%削減しつつ、下流タスクで競争力のある性能が報告されている。