【ITニュース解説】Your Agent's Memory Is a Lottery: The Memory-vs-Documentation War of 2026

AIエージェントが私たちの日常に溶け込みつつある中、その「記憶」のあり方について、今、IT業界で大きな議論が巻き起こっている。特に、システムエンジニアを目指す皆さんにとって、これは今後AIシステムを設計・開発する上で非常に重要な知識となるだろう。

最近、Meta社が開発した新しいAIアシスタント「Muse」の内部情報が明らかになり、その記憶システムが注目されている。Museは、ユーザーの友人や家族、同僚など、生活に関わるあらゆる人々の情報を、メッセージや写真、過去のやり取りから自動的に収集し、毎時間更新しているという。これは、まるで個人の詳細な「記録文書」を作成し続けているようなものだ。プライバシーの観点からは議論があるものの、純粋なシステムアーキテクチャの視点から見ると、「AIエージェントの記憶とは一体どうあるべきか」という根本的な問いを突きつけている。

現在主流となっているAIエージェントの記憶システムは、「RAG（Retrieval Augmented Generation）」という技術をベースにしている。これは、エージェントが何かを忘れてしまわないように、外部に情報を保存する仕組みだ。具体的には、過去のチャットログや会話の記録などを細かく区切った「スニペット」と呼ばれる短いテキスト片に分解し、それらを「ベクトルデータベース」という特殊なデータベースに保存する。ユーザーがエージェントに何か質問するたびに、このデータベースから質問と最も「似ている」とされるスニペットをいくつか取り出し、それをAIに与えて回答を生成させる、という流れだ。多くの「メモリプラグイン」と呼ばれる製品が、この仕組みを採用している。

しかし、この主流の方法には深刻な問題があることが指摘されている。あるエンジニアは、「エージェントに必要なのは記憶ではなく、ドキュメンテーション（文書化）だ」と主張し、この現在の「スニペット抽選」とも呼ばれるシステムが根本的に間違った問題を解決しようとしていると警鐘を鳴らした。なぜなら、ベクトルデータベースが測るのは、テキスト同士の「類似性」であって、「真実性」ではないからだ。

例えば、システム認証の仕組みについて質問したとする。もしそのシステムが先週APIキー方式からOAuth2方式に移行していた場合、古いスニペットには「認証にはx-api-keyヘッダーを使う」と書かれ、新しいスニペットには「OAuth2 PKCEリダイレクトフローを使用する」と書かれているかもしれない。このとき、質問のキーワードである「認証」という言葉に引きずられ、古くても似たような表現の「APIキー方式」のスニペットが選ばれてしまうことがある。これにより、エージェントは自信満々に間違った情報を提示してしまう可能性があるのだ。

この問題は、単なる調整不足ではない。この「スニペット抽選」方式には、五つの致命的な欠陥がある。

第一に、類似性は距離しか気にせず、正確性は気にしない。古い情報と新しい情報が同じくらい「似ている」と判断されれば、古い情報が選ばれてしまう。 第二に、スニペットに断片化されることで、元の文脈が失われる。なぜその情報が必要だったのか、どのような制約があったのかといった背景が切り捨てられてしまうのだ。 第三に、過去の情報が不変の事実として扱われる。ソフトウェアは日々変化し、認証フローに関する500個のスニペットのうち、いくつが今も正確なのか、エージェントも開発者も把握できない。 第四に、エージェントは自分が何を知らないかを知らない。検索ツールがあっても、エージェントが正しい検索語句を推測できない限り、役には立たない。 第五に、保存された知識の監査ができない。何万ものスニペットがデータベースに埋め込まれていても、どれが古く、どれが一度も使われていないのか、どこで間違いが発生したのかを特定するのは非常に困難だ。

これらの問題を解決するために提案されているのは、驚くほどシンプルな解決策だ。それは、「ドキュメント」を使うというものだ。例えば、Markdown形式で書かれたドキュメントファイル群と、それをまとめるインデックスファイルを用意し、エージェントがそれらを「ページ全体」として読み込む。コードが変更された際には、人間がコードレビューを行うように、このドキュメントも更新・レビューするのだ。この仕組みでは、ベクトル埋め込みやベクトルデータベースは不要となる。すでに「Operator Memory」という無料のプラグインが、このドキュメントベースの記憶を様々なAIモデルで実装している。

実際に、この「スニペット抽選」がどれほど危険かを示す実験も行われている。 一つの実験では、認証に関する古い情報と新しい情報が混在する状況で、古い情報が新しい情報よりも2.5倍も高い類似性スコアで取得されてしまうことが確認された。これにより、エージェントは誤った認証方法を自信を持って提案してしまうだろう。 また別の実験では、週に20%の情報が古くなる（更新される）システムで、スニペット記憶の正確性がどのように変化するかをシミュレーションした。その結果、10週間後には、まだ正確なスニペットの割合が約11%にまで低下することが示された。つまり、何も手を加えなければ、スニペット記憶はわずか数ヶ月でほとんど使い物にならなくなるのだ。一方で、コードの変更に合わせて更新されるドキュメントベースの記憶システムは、100%の正確性を維持した。 さらに、トークン（AIが処理する情報の単位）のコストについても比較が行われた。スニペットを毎回いくつか挿入する従来の方式では、100回の質問で110,000トークンが必要となる場合があるのに対し、必要な時に適切なドキュメントページ（例えば500トークン）を読み込む方式では、7,500トークンで済む。これは約6.8%のコストで、しかも、より正確で全体的な情報をAIに与えることができる。

この新しいドキュメンテーションベースの記憶システムは、すでに業界の最新トレンドとなっている。MetaのMuseも、実はベクトルデータベースではなく、定期的に更新される構造化ファイル（ドキュメント形式）を使って記憶を維持している。また、最新の研究では、AIモデルが自身の作業状態を「書き換え可能なファイル」として管理する方向性も示されている。これは、記憶そのものがドキュメントという形になることを意味する。

もちろん、このアプローチにも注意点はある。ドキュメントも、人間がメンテナンスを怠れば古くなってしまう。しかし、このドキュメントベースの記憶の最大の利点は、コードレビューと同じように人間が内容を確認し、更新する文化を適用できる点にある。ベクトルデータベースの記憶は、何が間違っているのかを人間が確認する術がほとんどないのに対し、ドキュメントは人間が直接読んで修正できる。

結論として、現在主流のAIエージェントの記憶システムは、チャットの断片を類似性で検索する「くじ引き」であり、古い情報が選ばれてしまうリスクが高い。情報の変化が速い現代において、その正確性は急速に失われてしまう。これからのAIエージェントには、MetaのMuseやOperator Memoryのように、人間が管理・レビューできる「ドキュメント形式の記憶」が求められているのだ。システムエンジニアを目指す皆さんにとって、この知識はAIシステムをより賢く、より信頼性高く構築するための基礎となるだろう。今日からでも、エージェントの指示ファイルに数行加えるだけで、ドキュメントフォルダとインデックスを使ったこの新しい記憶システムを試すことができる。ベクトルデータベースは必ずしも必要ではないのだ。