arXiv cs.AIは2026年10月6日(現地時間)、Jan-Peter Franke氏らの研究チームによるツール利用エージェント向け「エージェント制御型忘却」に関する論文を公開した。この手法は、過去に観測されたツール実行結果を短いメモに置き換え、元の情報を回復可能なアーカイブに保持する。探索的デバッグのケースでは、プロンプトトークン数を約75%削減し、APIコストを約7割削減する効果が確認された。
本研究で提案されたエージェント制御型忘却のメカニズムは、エージェントが過去に観測したツール実行結果を選択し、それぞれを元の位置で短いメモに置き換える一方で、正確なオリジナル情報は回復可能なアーカイブに保持する。このプロセスはPythonハーネスを通じて実現され、タスク固有のモデル訓練なしにバッチアーカイブと明示的な回復を可能にする。この間、ユーザーの指示とアシスタントのメッセージは保護される設計となっている。
OpenTelemetryのデバッグケースとそれに続く実装タスクでの実験では、履歴を全て保持した場合のプロバイダー報告プロンプトトークン数が912,492であったのに対し、本手法では231,951トークンに抑えられた。これにより、累積入力トークンは50%削減され、APIコストも従来の約4.38米ドルから1.28～1.44米ドルへと推定されている。主要な行動オラクル評価では、両手法ともタスクを合格したが、追跡評価ではいずれも完全に満足する結果には至らなかった。なお、本手法はリクエスト数が増加し、処理時間が17%長くなる傾向も示された。
対照的に、アプリケーション開発のタスクでは、コンテキストやコストの削減効果は認められなかった。また、先行する継続研究では、コンテキストが削減されたにもかかわらず、手動評価された品質が低下する結果が報告されている。これらの観察結果は、ノイズの多いツール利用の軌跡において実質的なリソース削減を示しつつも、可逆的なコンテキスト管理におけるワークロード依存性が重要な考慮事項であることを特定した。
本研究は、エージェントが学習した軌跡を実用的に整理するための、より洗練された戦略が将来の研究で検討されるべきだとしている。
参考: arXiv cs.AI — 2026年10月9日 13:00 (JST)