arXiv cs.AI が2026年5月26日(現地時間)、長期稼働するAIエージェントの永続メモリに関する研究論文を発表した。Abdelghny Orogat 氏と Essam Mansour 氏が執筆したこの論文は、既存のエージェントメモリシステムが抱える課題を指摘し、新しいデータ管理ワークロードとしてのGoverned Evolving Memory (GEM) の概念を提唱している。
論文によると、長期稼働するAIエージェントには永続的なメモリが必要であり、これはセッションをまたいだ学習をサポートし、繰り返しのコンテキスト注入を削減し、過去の意思決定の監査を可能にする。現在のエージェントメモリシステムやデータベースのパラダイムはメモリをストレージとして扱い、正しさをレコード、埋め込み (embeddings)、またはエッジに局所化しており、長期メモリが必要とする機能の一部しか提供していない。
その結果として、無制限の成長、意味論的改訂の欠如、容量駆動型忘却、および読み取り専用検索という4つの繰り返し発生する失敗モードが生じるとされる。研究者らは、長期エージェントメモリを新しいデータ管理ワークロードと位置づけ、その正しさは個々のレコードではなく状態の軌跡の特性であると見なしている。
この概念はGoverned Evolving Memory (GEM) として形式化されており、GEMはレコードレベルのデータベース操作を取り込み (ingestion)、改訂 (revision)、忘却 (forgetting)、検索 (retrieval) の4つの状態レベルオペレーターに置き換える。状態の進化を統制する6つの正しさ条件と、いかなるレコードレベルシステムもこれらの条件を満たせないとする3つの構造的観察が確立された。この抽象化は、プロパティグラフバックエンド上に構築されたプロトタイプであるMemStateで実現されており、MemStateは実現可能性を検証し、ネイティブエンジンへのギャップを明らかにした。論文は、メモリ中心のデータ管理をワークロードとして定義する3つの研究方向性を概説している。
参考: arXiv cs.AI — 2026年5月27日 13:00 (JST)
原文ハイライト"long-term agent memory is a new data-management workload."