AI-Papers- 生の会話履歴を蓄積し続ける代わりに「型付き検索」で毎回新しいメッセージを組み立て、実行ステップ数によらずプロンプトサイズを一定に保つ有界メモリアーキテクチャを提案
- デッキ構築型ゲーム「Slay the Spire 2」を舞台に数百回の戦術・戦略判断を要するベンチマークを構築し、戦略スキル層の追加でエージェントの勝率を3/10から6/10に改善
- 298本の完成済みトラジェクトリ・メモリスナップショット・プロンプト記録をオープンに公開し、長期エージェント研究の再現可能な基盤を提供
研究の背景
LLMエージェントが長期タスクを実行するとき、最も素朴な実装では過去の全観測と行動を会話履歴としてそのまま蓄積し続けます。数十回の決定ならばこの方法でも機能しますが、数百回の行動選択が必要になると、コンテキストウィンドウの上限に達するか、APIコストが許容範囲を超えるかのどちらかが先に来ます。
この問題はLLMエージェントの実用化を阻む根本的なボトルネックです。AgenticSTSの研究グループはこの課題に正面から向き合い、「会話履歴を積み上げない」という設計原則に基づいた新しいテストベッドとアーキテクチャを提案しました。LLMエージェントのメモリ管理を認知スキルとして自動最適化するAutoMemのような研究とも問題意識を共有しており、長期タスクにおけるコンテキスト管理は現在の研究コミュニティ全体のホットトピックになっています。
有界メモリの3層設計
AgenticSTSの核心は型付き検索（Typed Retrieval）という仕組みにあります。エージェントが意思決定を行うたびに、過去の会話ログをそのまま渡すのではなく、用途ごとに分かれた3つのメモリ層からそれぞれ関連情報を取り出し、その都度新しいメッセージを組み立てます。これによって、プロンプト全体のサイズは実行長に依存しなくなります。
3つのメモリ層は次のように役割が分かれています。
- 感覚層（Sensory Layer）：現時点の環境状態を保持する層。Slay the Spire 2では残り体力・手札・敵の次の行動・エネルギー残量といった即時観測データが対象で、各ステップで最新情報に上書きされます
- エピソード層（Episode Layer）：過去の戦闘エンカウンターの経緯と結果を保持する層。「どのデッキ構成でどの敵に勝てたか、または負けたか」という記録を固定サイズのバッファに蓄積し、古いエピソードは新しいものに順次置き換えられます
- 戦略スキル層（Strategic Skills Layer）：複数のエピソードから観察された汎用パターンを高レベルの知見として格納する層。「手札が多い局面ではドロー強化よりダメージカードを優先する」といった抽象化されたルールを保持し、初めて遭遇する状況での判断に活用されます
いずれの層も容量が固定されているため、ゲームのプレイが長引いてもプロンプトサイズは一定範囲内に収まります。また各層を独立してオン/オフできる構造になっているので、どの層がどれだけ意思決定の質に貢献しているかをアブレーション実験（構成要素ごとの寄与分析）で直接測定できます。
ゲームベンチマークの設計
AgenticSTSはデッキ構築型ローグライクゲーム「Slay the Spire 2」をベンチマーク環境として採用しています。このゲームは1回のプレイ中にカード選択・デッキ構築・戦闘行動の決定が数百回にわたって連続するため、長期的なタスク実行能力の評価に適しています。
既存のゲームベンチマークと比較した際、最低難度設定でも既存手法は5種類の構成すべてで0勝という結果でした。一方で人間プレイヤーの勝率は16%であり、運だけでクリアできるほど簡単ではなく、かつ研究の進歩を測れる余地が残る「飽和していない」難易度です。この特性が長期エージェント研究のテストベッドとして適した理由の一つです。
実験結果
研究チームはメモリ構成を変えたアブレーション実験を実施しました。各条件とも10回のプレイで評価しています。メモリなしのベースラインエージェントは10回中3勝だったのに対し、戦略スキル層を追加したエージェントは10回中6勝を達成しました。感覚層・エピソード層・戦略スキル層を段階的に加えることで、各層が意思決定の質に与える影響を構造的に把握できています。
ただし、1条件あたりサンプル数10回という実験規模では統計的な確実性に限界があります。Fisher正確確率検定でのp値は約0.37であり、統計的に有意とは言えません。研究者たちもこの点を論文内で率直に認めており、本結果はあくまで方向性を示すパイロットデータとして位置づけられています。
今後の課題と展望
現在の実験はサンプル数10回という小規模なものであり、結果を確定的なものとして解釈するためには試行数を大幅に増やす必要があります。また、各メモリ層の最適な容量の探索も未解決の問題です。エピソード層に何件の記録を保持すべきか、戦略スキル層に何個のルールを格納すれば最も汎化性能が上がるか、といった設計上のハイパーパラメータはゲームやドメインによって異なる可能性があります。
型付き検索という設計思想そのものはSlay the Spire 2に限らず広く応用できると考えられます。複数ステップのコーディングタスク、段階的な情報収集を要する医療診断支援、あるいはロボット操作シーケンスなど、長期的な状態追跡が必要なあらゆる場面でこのアーキテクチャの有効性を検証することが次のステップとなるでしょう。
まとめ
AgenticSTSは、LLMエージェントが長期タスクを実行するうえで避けて通れない「コンテキスト肥大化」という問題に対し、有界で型付けされた検索によるメモリ設計という実践的な解決策を提示しました。感覚層・エピソード層・戦略スキル層という3層構造は各層を独立して評価できるため、どの要素が性能に貢献するかを明確に分析できます。298本のトラジェクトリとプロンプト記録のオープン公開は、同分野の後続研究を加速させる基盤となるはずです。
