ハーバード研究チーム、エージェントの記憶管理に外部フィードバックの重要性を明らかに

米ハーバード大学の研究チームは、外部フィードバックがエージェント（Agent）の記憶管理設計において重要な役割を果たしていることを明らかにした。この研究は、大規模言語モデル（LLM）を基盤とするエージェントが、長期的に性能を向上させるために必要な記憶管理の設計方法を明らかにすることを目指している。これまでのエージェントは、それぞれのタスクに特化した記憶モジュールを持つことが一般的で、例えば自動運転では車両の軌跡データ、コード生成ではコードスニペット、個人アシスタントでは会話履歴などを記憶していた。しかし、このような専門的な設計は、記憶管理の普遍的なルールや共通性を理解する上での障壁となり、研究が進まない問題を生んでいた。 研究チームは、記憶管理の基本的な操作である「追加」と「削除」に焦点を当て、外部フィードバックの精度が記憶の品質に与える影響を調査した。その結果、以下の3つの重要な現象を発見した。第一は「経験追随現象（Experience-Following）」で、エージェントが現在のタスクを処理する際、過去の類似したタスクの出力を模倣しがちである。第二は「誤り伝播効果（Error Propagation）」で、不正確な外部フィードバックにより誤った記憶が保存されると、その後のタスクでその誤りが繰り返され、性能が低下する可能性がある。第三は「経験再現の不一致（Misaligned Memory Replay）」で、記憶自体は正しいが、現在のタスクの文脈と合致しない場合、エージェントの判断に悪影響を及ぼすことが分かった。 この研究を主導したのは、米ハーバード大学の博士課程に在籍する熊梓迪氏。彼は、研究初期に複雑な記憶メカニズムの設計に取り組んだが、タスクの多様性のために共通の戦略を抽出するのが難しかったと語る。その後、基本的な「追加」と「削除」に焦点を絞り、複数のエージェント分野（医療、自動運転、IoTセキュリティなど）で実験を実施。その結果、外部フィードバックの質が記憶管理に大きな影響を与えることを実証した。 研究チームは、今後外部フィードバックが不十分な状況でも記憶モジュールの悪影響を最小限に抑える方法を模索する予定。この研究は、今後のエージェントの進化に重要な示唆を与えるものと期待されている。