エージェントの記憶を「みんなに効く原則」と「あなただけの癖」に分ける──HiPSという枠組み

長い対話を通じてユーザーのプロファイルを維持するメモリ搭載型エージェントにとって、「何を覚えておくか・何を圧縮するか・何を捨てるか」という判断は、そのプロファイルの質を左右する。arXivで2026年8月26日に公開された論文（arXiv:2608.25329）は、この判断が多くの既存手法では訓練前に決め打ちされた画一的な戦略に頼っている点を問題視し、共有すべき原則と個人化すべき差分を分けて共進化させる枠組みを提案している。

• 既存のメモリ管理手法は「訓練前に確立された、静的な、一律の戦略」を使っているが、実際には最適なメモリ判断はユーザーごとに異なり、方策の最適化とともに動的に変化すると指摘
• 提案フレームワーク「HiPS（Hierarchical Personalized Strategy）」は、メモリ管理を「全体で共有される基盤」と「ユーザー固有の適応層」の2層に分離する
• 横断ペルソナの軌跡から共有原則を抽出する「Universal Strategy」、一般的なパターンから外れるユーザー向けに専用ルールを生成する「Persona Delta Distillation」、両者の境界を動的に調整する「Cross-Level Rule Flow」という3要素で構成され、メモリを併用するベースライン群に対して一貫した改善を確認したと報告されている

何が問題として指摘されているか

論文のアブストラクトはこう述べている。

Existing methods typically employ a static, one-size-fits-all strategy established before training. In practice, the optimal memory decision is inherently user-specific and dynamically evolves alongside policy optimization.

（既存の手法は通常、訓練前に確立された静的で一律な戦略を採用している。実際には、最適なメモリ判断は本質的にユーザー固有であり、方策の最適化とともに動的に進化する）

つまり、あるユーザーには効く「何を覚え、何を捨てるか」のルールが、別のユーザーには合わないことがある、という前提に立ち、それを訓練済みの単一ルールで固定してしまう既存手法の限界を指摘している。

HiPSの3つの構成要素

提案フレームワークHiPSは、次の3要素からなる。

• Universal Strategy（汎用戦略）：さまざまなペルソナ（ユーザー像）の軌跡を横断して、共有できる一般原則を抽出する
• Persona Delta Distillation（ペルソナ差分蒸留）：一般的なパターンから振る舞いが逸脱するユーザーに向けて、そのユーザー固有のルールを生成する
• Cross-Level Rule Flow（階層間ルールフロー）：広く妥当性が確認された個人ルールを上位（汎用戦略）へ昇格させ、逆に矛盾する汎用ルールを降格させることで、両者の境界を動的に調整する

論文は、この構造が「すべての戦略の改善がタスクの成果に紐づいていることを保証する仕組みを備えた、共進化ループ」を確立していると説明している。個人向けルールを勝手に増やすのではなく、実際の成果に基づいて汎用層と個人層の間でルールを行き来させる点が設計の核だ。

評価結果：4ベンチマーク・8ベースライン・12設定すべてでHiPSが最高スコア

本文（Table 1）を確認すると、アブストラクトには無かった具体的な評価条件と数値が書かれていた。著者はUSTC（中国科学技術大学）の認知知能国家重点実験室所属で、バックボーンにはQwen2.5-7B-Instruct、423サンプル（全体の70%）を使い、NVIDIA H800 GPU4台で実験している。

評価に使ったのは4つのベンチマークだ。

比較対象は、Long Context・RAG・Mem0・A-Mem・LightMem・MemAgent・Mem-α・MemSkillという8つのベースライン。12の評価設定すべてでHiPSが最高スコアを記録し、たとえばPersonaMem 32Kでは、Long Context（生の履歴をそのままコンテキストに入れる方式）の42.17に対しHiPSは73.49、次点のベースラインMemSkillの64.45も上回った。PersonaMem 128K（長期・ノイズの多い履歴）では、Long Contextのスコアが20.74まで劣化するのに対し、HiPSは62.01を維持している。

Persona Delta Distillation（PDD）単体の効果については、Ablation実験でPersonaMem 128Kにおいて平均+6.0%の改善、20ペルソナ中で恩恵があったと報告されている。ただし改善幅はペルソナによって大きくばらつき、金融に強い関心を持つペルソナ「P15」は+18.6%改善した一方、マーケティング専門職のペルソナ「P6」は-3.3%とむしろ悪化した、という結果も本文には正直に記載されていた。

使われたベンチマークと比較対象は何者か

論文本文のHTML版（付録・参考文献リストを含む）をあらためて確認し、評価に使われたPersonaMemベンチマークと、比較対象のベースライン2つの原論文を直接読んだ。

PersonaMemの原論文「Know Me, Respond to Me: Benchmarking LLMs for Dynamic User Profiling and Personalized Responses at Scale」（arXiv:2504.14225、Bowen Jiang氏ら9名）は、LLMが長期間のユーザーとのやり取りの履歴から、そのユーザーの特性や選好をどれだけ活用できているかを測るベンチマークだ。ユーザーとの対話履歴が長期間にわたって蓄積される中で、LLMがその履歴から個人の特性・選好に関する情報を抽出し、応答に活かせているかどうかを大規模に検証する設計になっている。HiPS論文がこのベンチマークを「32K」「128K」というコンテキスト長の異なる2条件で使っていたのは、この元論文が想定する「長期間にわたる履歴」という前提と整合している。

比較対象の8ベースラインのうち、Mem0とA-MEMの2つは特に頻繁に他のエージェントメモリ研究でも引用される実装だったため、原論文を確認した。Mem0（arXiv:2504.19413、Prateek Chhikara氏ら5名）は、LLMの固定されたコンテキスト長という制約に対応するため、進行中の会話から重要な情報を動的に抽出・統合・検索する、スケーラブルなメモリ中心アーキテクチャだ。会話要素間の複雑な関係をグラフ構造で捉える拡張版も提案されており、LOCOMOという別のベンチマークで評価されている。もう一つのA-MEM（arXiv:2502.12110、Wujiang Xu氏ら6名）は、「Zettelkasten（ツェッテルカステン）」という、カード同士を関連づけながら知識network化していくメモ術の考え方を踏襲し、新しい記憶が追加されるたびに文脈の説明・キーワード・タグを含む構造化されたノートを生成し、既存の記憶との関連を動的にリンクさせる設計だという。HiPSがこれらの既存手法をすべて上回ったと報告しているのは、単純な検索・要約型のメモリ（Mem0）や、記憶同士の関連付けに重点を置くメモリ（A-MEM）に対して、「共有すべき原則」と「個人固有の癖」を分けて管理するという、また別の軸の工夫を加えた結果だと位置づけられる。

Claude Managed AgentsのDreamsとの対比

同じ「エージェントのメモリ管理」という文脈で、当サイトは別記事でClaude Managed AgentsのDreams機能を扱っている。Dreamsが「1つのメモリストアの中の重複・矛盾を整理する」機能であるのに対し、HiPSが扱っているのは「複数ユーザー（ペルソナ）にまたがるメモリ管理戦略を、共有部分と個人部分にどう配分するか」という、また別の軸の問題だ。両者は同じ「エージェントメモリ」という括りに入るが、解こうとしている課題は異なる。

「ルールが自分で自分を正当化する」循環を防ぐ設計

本文には、Cross-Level Rule Flowの具体的な昇格・降格条件も書かれている。個人ルール（∆p）が「supported」以上の水準に達し、そのルールを持つペルソナのうち一定割合（θflow）以上で共通して現れた場合に、汎用戦略（Su）へ昇格・個人差分からは削除される。逆に汎用ルールが修正・撤回されると、以前そのルールの恩恵を受けていたユーザー向けに、Persona Delta Distillationが局所的な代替ルールを新たに仮説生成する、という双方向の流れになっている。

さらに、この共進化ループには「ルールが自分自身を正当化してしまう」循環参照を防ぐ工夫が明記されている。ルールへの追従度を測る報酬（Rfollow）が、そのままルールの採否を決める信号にも使われてしまうと、見かけ上の順守率が高いだけのルールが生き残ってしまう。論文は、蒸留対象を選ぶ際のランキングには回答の正解報酬（Rans）だけを使い、追従報酬（Rfollow）は強化学習（GRPO）のアドバンテージ計算にのみ使う、という形で経路を意図的に分離し、この自己正当化のループを断ち切っていると説明している。

著者自身が認める限界：英語限定・最大1Mトークンまでの検証

論文の「Limitations」節には、著者自身が認める限界も書かれている。1つ目は、評価が英語の会話ベンチマークに限定されている点。戦略蒸留・方策共進化というアルゴリズムの核はモデルに依存しない設計だとしつつも、他の言語では構文構造が異なりローカライズされたプロンプト調整が必要になる可能性があり、多言語・言語横断設定でのテストは今後の課題として残されている、と明記されている。2つ目は、実験で評価した対話履歴が最大100万トークンまで（中〜長期のタイムラインに相当）にとどまる点で、数年単位の継続的な日々のやり取りのように、ユーザーの根本的な人格特性がゆっくりと変化していくような超長期のライフサイクルは扱っておらず、そうした緩やかなドリフトに対応するには、汎用の「種ルール」自体を時々更新する追加のメタ蒸留機構が必要になるだろう、と著者は述べている。

コードリポジトリはまだ空だった

本文にはhttps://github.com/Hyp26cs/HiPSというコード公開先の記載があったが、本記事執筆時点でアクセスすると404で、リポジトリの中身はまだ公開されていなかった。Universal StrategyとPersona Delta Distillationの詳細なアルゴリズム（プロンプトの具体的な設計や、ルールを汎用層・個人層のあいだで昇格・降格させる際の閾値など）は、本文の数式・擬似コードレベルまでは今回すべてを読み込んでおらず、自分の手元でこの枠組みを再現する検証も行っていない。8つのベースラインのうちいくつか（MemAgent・Mem-α・MemSkill）は、論文の423サンプルでファインチューニングして比較されているとの記載があり、公平な比較条件を意識した設計になっている点は確認できたが、それ以上の実装詳細までは踏み込んでいない。

関連記事: Claude Managed Agentsの「Dreams」 / AIエージェントとは / MCPとは

感想・指摘はコメント欄へ。