何が起きたか
シンガポール国立大学の研究者らが、LLMエージェント向けの新しい記憶アーキテクチャ「MRAgent（Memory Reasoning Architecture for LLM Agents）」を公開しました。コードはGitHubで公開され、論文はarXivに掲載されています。ベンチマークはLoCoMoとLongMemEvalで、バックボーンモデルにはGemini 2.5 FlashとClaude Sonnet 4.5を採用しています。
既存RAGの何を否定したのか
従来の「検索してから推論する（retrieve-then-reason）」型パイプラインは、推論の途中で検索戦略を変更できず、上位k件の表層的な類似結果がコンテキストをノイズで埋めるという構造的な弱点を抱えていました。MRAgentはこれを「静的なデータベース参照」ではなく、推論を進めながら手がかりを辿り直す「能動的かつ連想的な再構成プロセス」として設計し直しています。これは認知神経科学における人間の記憶想起、つまり小さな具体的トリガーから連鎖的に想起が広がるモデルに着想を得たものです。
Cue-Tag-Contentという三層構造
中核は「Cue（細粒度のキーワード）」「Tag（関係性を要約する意味的な橋渡し）」「Content（エピソード記憶と意味記憶に分けて格納される本体）」の3ノード型グラフです。検索は2段階で進みます。まずCueから候補となるTagへ移動し、軽量な要約だけを評価した上で、本当に必要なContentにのみアクセスします。論文では「Nateが3度目のゲーム大会で優勝したとき、賞金をどう使ったか」を例に、Cue抽出→Tagマッピング→無関係枝の剪定→反復的な絞り込みという流れが示されています。
数字が示すインパクト
LongMemEvalの結果では、MRAgentが消費したプロンプトトークンは1サンプルあたり11.8万。A-Memの63.2万、LangMemの326万と比べて桁違いに少なく、A-MEM、MemoryOS、LangMem、Mem0、標準RAGを横断的に上回りました。実行時間もA-Memの1,122秒から586秒へと半減しています。さらに「いつ検索を止めるべきか」をエージェント自身が判断するため、冗長な探索を自律的に切り上げます。データベースの初期設計は開発者が担いますが、生の対話履歴をLLMで蒸留してグラフを自動構築するパイプラインも併せて提供されています。
💼 事業会社視点：これは自社にどう効くか
役員が見るべき論点：トークンコストは「設計」で27倍変わる
国内SaaS・受託開発・カスタマーサポート領域でLLMエージェントを本格運用しているCxOにとって、最も刺さるのは「同じユースケースを11.8万トークンで回せるか、326万トークンで回すか」という選択が技術選定で決まってしまう事実です。長期記憶を持つ顧客対応エージェントや社内ナレッジ検索を月間数百万クエリ規模で動かす企業では、推論コストとレイテンシの差がそのまま粗利と顧客体験に直結します。
受託SIerと自社プロダクトの分かれ目
受託SIerは「RAGを構築して納品」で止まるとコモディティ化を免れません。一方、SaaSベンダーは記憶アーキテクチャを自社プロダクトの内製IPに組み込む余地が広がりました。事業責任者は、現在運用中のエージェントについて(1)1セッションあたりのトークン消費と応答時間、(2)記憶設計がtop-k検索のまま放置されていないか、(3)Cue-Tag-Content型のような能動的構造へ移行する場合の改修コスト、の3点を今四半期中に棚卸しすべきです。GitHubで実装が公開されている今は、PoCのコストが最も安いタイミングと言えます。