抽象化と具体性のバランスを取る調和型メモリ表現「Memora」の発表

![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2026/06/Memora-BlogHeroFeature-1400x788-1-1024x576.jpg) 一目でわかる要点 現在の AI エージェントは過去の対話を記憶していません。関連情報を繰り返し入力するか、外部ソースから取得する必要があり、より長く複雑なタスクを処理するにつれて非効率になります。エージェントの能力を拡張するには、時間をかけて情報を保持しアクセスするためのより効率的な方法が必要です。 Memora は、保存されるもの（豊富なメモリコンテンツ）と検索される方法（軽量な抽象化およびキューアンカー）を分離することで、長期ホライズンタスクにおけるエージェントの生産性を劇的に向上させるスケーラブルなメモリシステムです。これは抽象化と具体性のバランスを取ります。 Memora は LoCoMo および LongMemEval で新たな最先端記録を樹立し、Mem0、RAG（Retrieval-Augmented Generation：検索拡張生成）、およびフルコンテキスト推論を上回る性能を発揮しながら、コンテキストトークンを最大 98% 削減します。 Memora の論文は ICML 2026 で発表されました。Memora のコードは https://github.com/microsoft/Memora で利用可能です（新しいタブで開く）。 数ヶ月にわたるプロジェクトを運営するのを支援する職場用 AI アシスタントを想像してみてください。数週間にわたる会話を通じて、あなたは制約事項を共有し、マイルストーンに合意し、期限を見直し、何十もの利害関係者の好意を引き出します。後で同僚への更新文書を作成するよう依頼された際、それは最新の決定だけでなく、そこに至るまでの旅路——何が試され、何が却下され、誰が意見を述べたか——を思い出すべきです。現在の AI エージェントはこの点で苦戦しています。現代の大規模言語モデル（LLM）は強力な推論能力を持ちますが、実質的に状態を持たない（stateless）ものです：すべてのセッションはゼロから始まり、長い会話はモデルに履歴全体を読み直させることを強要し、新しい情報は生テキストとして断片的かつノイズの多い状態で保存されるか、曖昧な要約へと圧縮され（詳細情報が失われます）。AI アシスタントや自律型エージェントが数ヶ月にわたるプロジェクトを追跡するコパイロットや、長期間の使用を通じてドメイン専門知識を築く研究用エージェントなど、長期展開に移行するにつれ、原理的なメモリシステムの欠如が決定的なボトルネックとなっています。 このギャップを埋めるための研究は着実に増えています。Mem0 のようなシステムは会話から原子的事実を抽出し、検索拡張（RAG）アプローチは後日の想起のために生テキスト断片にインデックスを付けます。また、Zep や GraphRAG などのグラフベースのメモリシステムは、エンティティ間の関係を通じて構造を課します。それぞれが真の進歩を表していますが、いずれも同じ壁にぶつかります。既存の設計では、詳細さ（微細な詳細を保持すること）と抽象化（成長するメモリを効率的に整理すること）の間で避けられないトレードオフを強いられます。Memora は、エージェントに対してこの両方を与えるために構築されました。 Memora とは何か Memora は、長期の AI エージェント向けに設計されたエージェント型メモリフレームワークです。Memora の中心的な洞察は、何を保存するかをどのように検索するかから分離することにあります。メモリコンテンツは、プロジェクトのタイムラインや制約に関する多段階の議論など、豊かで表現力豊かなまま維持できます。一方、インデックス付けと検索を担当するのは、別個で軽量な構造的レイヤーです。その結果、スケーラブルなメモリシステムが実現されます。関連する情報を安定した単位に統合し、必要な時に微細な詳細を表面化し、エージェントがすべてを読み直すことなく自らの履歴をナビゲートできるようにします。標準的な長文会話ベンチマークにおいて、Memora はフルヒストリをコンテキストにダンプした場合よりも最大 98% 少ないトークン数で、新たな最先端性能を達成しています。 なぜこれが難しいのか：抽象化と詳細さの緊張関係 既存のメモリシステムは二つの極端に分かれています。RAG や Mem0 などのコンテンツ断片化システムでは、抽出された事実やテキスト断片がそのまま埋め込まれます。これは詳細を保持しますが、物語的な一貫性を失い、脆く孤立したエントリを生み出してしまいます。一方、粗い抽象化システムは経験をコンパクトな要約に圧縮します。効率的ですが、要約によってメモリが本来持つ有用性を与える制約、エッジケース、数値詳細などが削ぎ落とされてしまいます。グラフベースのシステムはコンテンツの上に構造を追加しますが、依然として検索にはコンテンツ自体に依存しており、ドメイン横断的な一般化ができない硬直したオントロジーを必要とする傾向があります。これらいずれも、メモリ効率性を保つ抽象化と、メモリの実用性を与える具体性の間の根本的な緊張関係を解決していません。 ![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2026/06/figure_1_high_res_Memora-1-scaled.png)図 1: Memora のアーキテクチャ概要。 Memora の仕組み Memora は調和的な組織化によってこの緊張関係を解消します。各メモリエントリは 2 つのコンポーネントから構成されます：1 つ目は、そのメモリが本質的に何についてのものであるかを捉える短いフレーズ（6〜8 語）である主要な抽象化であり、2 つ目は豊富なコンテンツ自体を保持するメモリ値です。決定的に重要なのは、類似度検索のために埋め込まれるのは主要な抽象化のみであり、メモリ値はそれ自身のコンテンツを通じて直接検索されないということです。この分離により、進化中のトピックに関する新しい情報は、部分的な重複の連鎖として断片化するのではなく、同じ主要な抽象化の下で既存のメモリエントリに統合されます。主要な抽象化を補完するものとして、キューアンカー（文脈認識タグ）があります。これらは各メモリの値から抽出された短いタグであり、同一メモリへの代替アクセス経路を提供します。これらは柔軟で有機的に生成されるメタデータとして機能します。 これを具体化しましょう：ユーザーが「デイブとサラは、プロトタイプを 4 月 1 日、パイロット版を 5 月 2 日、MVP を 5 月 30 日に延期することに合意した」と言ったと仮定します。知識グラフシステムでは、事前に定義されたエンティティ型と関係スキーマが必要です：Person → agreed_on → Milestone → has_date → Date（人→同意日付→マイルストーン→日付を持つ→日付）であり、新しい関係タイプが現れた場合、スキーマの拡張が必要になります。Memora では、「デイブとサラが合意したプロジェクト・オリオンの更新されたタイムライン」という主要な抽象化が、正統的なアクセスポイントとして機能します。一方、「デイブ プロジェクト・オリオンの更新」「プロジェクト・オリオンのプロトタイプスケジュール」「プロジェクト・オリオンのパイロットタイムライン」などのキューアンカー（検索手がかり）が、代替の検索経路を提供します。これらはすべて、オントロジーにコミットすることなく実現されます。後からデイブの最近の貢献や、プロトタイプのスケジュール、パイロットの実施時期について問い合わせがあっても、異なるキューを通じて同じ基盤となるメモリへルーティングされ、詳細はメモリ値内に完全に保持されます。 この表現の上に、Memora は記憶アクセスを能動的な推論プロセスとみなすポリシー誘導型検索器を導入します。単一のショットで意味的に類似した上位 k 個のアイテムを返すのではなく、ポリシー検索器はクエリを反復的に精緻化し、キューアンカーを通じて拡張して関連するが類似していない記憶を表面化し、いつ停止するかを決定します。これにより、エージェントは純粋な意味的検索では見逃してしまう関連する非局所的コンテキストへと移動でき、人間が関連する出来事を想起する際に追跡するように、マルチホップ依存関係を追求します。この検索ポリシーは、強力な大規模言語モデル（LLM）を用いて手動でプロンプト指定することも可能であり、強化学習を通じてはるかに小さなモデルに蒸留することも可能です。 ![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2025/06/Azure-AI-Foundry_1600x900.jpg) Azure AI Foundry Labs Microsoft Research のこれらの実験的技術を通じて、AI の将来の可能性ある方向性の一瞥を得てください。 Azure AI Foundry 新しいタブで開く 結果 ![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2026/06/figure_2_high_res_Memora-1-scaled.png)図 2: LoCoMo データセットにおける Memora のパフォーマンス。 Memora の評価は、2 つの長文コンテキストベンチマークにおいて行われました。1 つ目は平均 600 ターンに及ぶ対話を含む LoCoMo、もう 1 つ目は 115,000 トークンのコンテキストを持つ LongMemEval です。Memora は両方のベンチマークで新たな最高性能を達成し、LoCoMo では LLM ジャッジによる精度が 86.3%、LongMemEval では 87.4% を記録しました。これは RAG、Mem0、Nemori、Zep、LangMem、さらにはフルコンテキスト推論をも上回る結果です。この差が最も顕著なのは多段推論においてであり、ここでは Memora のキューアンカー（手がかりの足場）を横断する能力が最大の成果をもたらしています。 効率性に関する物語もまた驚くべきものです。Memora は 1 回の会話あたり、Mem0 が保持するメモリエントリの約半分（344 vs. 651）しか保存せず、フルコンテキスト推論と比較してトークン消費量を最大で 98% 削減します。読むものも少なく、保存するものも少なく、しかし答えはより良くなります。 Looking forward Memora の設計はベンチマーク性能を超えた意味を持ちます。私たちはこの取り組みを、単一のセッション内だけでなく、数ヶ月から数年にわたってユーザーとの長期的な協働を維持し、組織的な知識を蓄積できる AI エージェントへの一歩として捉えています。この基盤の上に、私たちはいくつかの補完的な方向性を追求しています。MemLoop は、メモリシステムが検索やタスクの失敗からどのように学習するか、エラーをメモリのパイプラインの特定の段階に帰属させ、時間とともに自己改善する方法を探ります。Deferred Memory（遅延メモリ）は、記憶の構築をいつ延期すべきか、すなわち、何を保存すべきかに早急にコミットするのではなく、十分な文脈や証拠、あるいは将来の利用価値が得られるまで待つべきかを調査します。Group Memory は、知識をチーム間やエージェント間で共有しつつ、その出所（プロベナンス）、アクセス境界、所有権、および機密性の高いコンテキストをどのように保持するかを検討します。私たちは論文とともにコードも公開し、コミュニティに対してこの表現形式に基づいて構築し、AI エージェントがステートレスではなくなったときに何が可能になるかを探索することを呼びかけます。 謝辞 本研究プロジェクトに貢献いただいた Shantanu Dixit（研究フェロー）、Paramaguru Harimurugan（研究フェロー）、Rujia Wang、Victor Rühle、Robert Sim に感謝いたします。 新しいタブで開く：本記事「Memora: A Harmonic Memory Representation Balancing Abstraction and Specificity」は、Microsoft Research の投稿として初めて公開されました。

抽象化と具体性のバランスを取る調和型メモリ表現「Memora」の発表

背景や根拠まで確認しますか？

このニュースを、実務の判断につなげる

調べる

選ぶ

サイト