小規模 LLM エージェント向け「Agent Memory Distillation」手法を提案

記事の3ポイント

1. 1

   AMD フレームワークの概要

   トレーニング不要で、大規模な教師エージェントから小規模な学生モデルへ階層的メモリを通じて構造化知識を転送する手法である。

2. 2

   3 種類の補完的メモリの構成

   タスクレベルの戦略を符号化する「Workflow memory」、中間粒度の具体的な行動例を提供する「Subtask memory」、関数ごとの呼び出し規約と落とし穴を捉える「Function memory」の 3 つを構築する。

3. 3

   動的なメモリ注入・検索戦略

   Workflow と Subtask メモリは各タスク開始時に能動的に注入され、Function memory はツール呼び出しエラー発生時に反応的に検索される。