Anthropicは11月6日、AIエージェントに長期的な「記憶」を持たせる設計についての技術記事を公式サイトで公開した。執筆はAnthropicのエンジニアリングチームに所属するLance Martin氏。記事は、エージェントの記憶を「文字起こしログ(トランスクリプト)」「メモリノート」「ウィキなどのメモリ表現」「毎回のセッションに読み込まれるコンテキスト」の4層に分けて整理し、セッション終了後に過去のログを振り返って記憶を整理・修正する手法を「dreaming(ドリーミング)」と呼んで解説している。人間の脳が睡眠中に経験を再生し長期記憶に定着させる働きに例えた説明だとしている。
同社が社内ベンチマーク「CL-Bench」のデータベース操作タスクで実施した評価によると、メモリ機構を持たない状態(ベースライン)と持たせた状態での平均報酬スコアは、Claude Opus 5.5で0.655から0.838、Claude Sonnet 5.5で0.644から0.833、Claude Opus 5で0.564から0.828とそれぞれ上昇したという。これはAnthropic自身が実施・集計した実測のベンチマークスコアであり、外部機関による検証やアンケート調査ではない。一方で旧世代のClaude Sonnet 4.6は0.330から0.364への改善にとどまったとしており、同社は「強いモデルほどメモリを自律的に使いこなせる」傾向を示す結果だと説明している。
記事では具体例として、ゲーム「ポケットモンスター赤」をプレイさせた実験も紹介されている。旧モデルのClaude Sonnet 3.7は225個のフォルダに413個のメモリファイルを作成したものの獲得バッジは1つに留まり、細かすぎる記録がすぐに古くなって整理作業に手間を取られたという。対照的に新しいClaude Fable 5は2つのフォルダに9個のファイルと要約用の「global.md」だけを作成し、バッジを4つ獲得したとしている。また、誤った記憶(ポケモンセンターの位置を誤認し3回崖から落ちた例)を「dreaming」によって過去のログと照合・修正したところ、その後のプレイでは問題のエリアを突破できたという事例も挙げられている。これらはいずれもAnthropic自身が実施した社内実験の報告であり、記事中に第三者による再現検証は示されていない。
記事はまた、約35万ファイル(推定4.2億トークン)からなる社内コードベースの文書群に対し、25問の評価用質問を使って「ウィキ」形式のメモリ表現を試した結果も報告している。dreamingによる整理を2セッションから128セッションまで段階的に増やしたところ、ウィキのみで回答した場合の正答率(採点基準への適合率)は13%から48%に向上し、検索との併用では61%に達した(検索のみの場合は53%)という。一方、法律文書を使った別の評価では、あるタスクでウィキが検索のみの場合と同等の性能しか示さず、むしろウィキのサイズが元の文書の1.77倍まで肥大化した例も報告されており、記事はこれを「地図が土地と同じ大きさになる」というボルヘスの寓話に例え、メモリ表現が常に有効とは限らないことも率直に認めている。
AIGNALの分析として、今回の記事が業務でAIエージェントを構築する担当者にとって意味を持つのは、ベンチマークの数字そのものよりも、Anthropicが実装用の「クックブック」(dreamingの実装例・知識ウィキの構築例)と評価用コードを無料で公開した点だ。これにより、紹介された手法を自分の環境で試すハードルは低い。ただし記事内の数値はいずれもAnthropic社内の評価セット・社内コードベースを使った実験結果であり、モデル間の比較も同社自身が設計したタスクに基づくものである点は踏まえておく必要がある。また記事自身が「複数のエージェントが同じ記憶に同時に書き込むと情報が失われる」「固定ルールを強制すると強いモデルの性能はむしろ下がる」といった注意点を明記しており、導入すれば自動的に性能が上がるわけではなく、書き込み領域の分離やコンテキストサイズの管理といった設計上の工夫が必要になる点は見落とされやすい。
出典: Anthropic



