AIエージェントが従来の増殖会話ログに代わり5層の構造化メモリを使用する新手法により、推論ゲーム攻略率が倍増し、トークン消費を66～90倍削減しました。エージェント型AIの効率化は処理速度と運用コストに直結する重要課題であり、この成果は実用化を加速させる可能性があります。
こういう要約が、毎朝あなたのメールに届きます。
無料で登録 →何が起きたか
研究チームが開発したAIエージェント「AgenticSTS」は、従来の増殖する会話ログではなく、5つの構造化されたメモリ層を使用してゲーム「Slay the Spire 2」をプレイします。スキルライブラリ（L5層）を有効にすると、最下位難度A0での勝利率が3/10から6/10に倍増しました。
なぜ重要か
従来のエージェント（STS2MCP、CharTyr）は会話ログが増え続けるため、ゲーム終盤で1回の処理に約527,000トークンを消費します。一方AgenticSTS は約5,000トークンに抑え、同じレベルに達するまで4倍速く、トークンは66～90倍少なくなります。メモリ管理の効率化はエージェント型AIの実用化に直結する課題です。
注目点
複数モデル間でのメモリ転送テストでは、Gemini 3.1 Proが蓄積した記憶をQwen 3.6-27Bに渡すと平均スコアが84.5%上昇しましたが、Deepseek V4-Proでは18.1%低下し、メモリが生成元モデルに依存することが判明しました。
LLMエージェントの典型的な実装では、過去の観察、ツール呼び出し、思考過程を逐次プロンプトに追加するため、会話ログが肥大化し、やがてコンテキストウィンドウが満杯になるか注意散漫が生じます。この問題は「コンテキスト腐敗」と呼ばれており、処理速度と精度の両方に影響します。
AgenticSTSは固定ルール（L1）、行動スキーマ（L2）、取得可能なゲームルール（L3）、過去の実行記録（L4）、トリガー式スキル（L5）の5層に記憶を分割し、各決定時に短い固定サイズのプロンプトを再構築します。このアプローチにより、ゲームの長さに関わらずプロンプトサイズが一定に保たれます。実験では、L5層のスキルライブラリが勝率に大きく寄与し、L4層の学習メモリがより高難度レベルへの進度に必要であることが判明しました。
ただし研究チームは、STS2MCPとCharTyrとの比較は同じコードベース内での厳密な対比実験ではなく、ルーティングと決定の一括処理にも差があると指摘しており、メモリ構造単体の効果の確認には追加検証が必要です。プロジェクトはHugging Faceで298ゲームの完全記録と評価スクリプトを公開しており、他の研究グループが同じ環境で代替メモリアーキテクチャをテストできます。
まだコメントがありません。最初のコメントを投稿しましょう！
ログインして議論に参加200以上のソースから厳選したAIニュースを毎日無料でお届けします。
無料で始める登録無料・30秒で完了・いつでも解除できます
毎朝1分、AIの要点だけ。
200媒体以上・Email/LINE/Slack 対応
