コンパイル済みメモリ: 情報を増やすのではなく、言語エージェントへの指示をより正確にする

要約: 言語エージェントの既存のメモリシステムはメモリ管理を扱い、コンテキスト予算内でより多くの情報を取得・ページする方法を提供します。私たちは補完的な問題――メモリの有用性――何の経験を保持する価値があり、それがエージェントの挙動をどう変えるべきか――に取り組みます。Atlas を提示します。Atlas は蓄積されたタスク経験をエージェントの指示構造に組み込むメモリカーネルであり、ファインチューニング、RAG、または人間の介入なしに実現します。メモリは蒸留であり、保存ではありません；提供は指示の書き換えであり、コンテキストの注入ではありません。エージェントの失敗と成功から抽出された事実は三段階の昇格ゲートを通じて検証され、学習済みのサブ箇条を用いてエージェントのシステムプロンプトを書き換えて提供されます。CUAD 契約分析では、進化したプロンプトが GPT-4o のトークンレベル F1 を +8.7pp、精度を +12.5pp 改善します。HotpotQA のマルチホップ QA では、結合 F1 が +3.16pp 改善します。アブレーションは機構の定義的性質を分離します――訓練信号の制約：進化したプロンプトは教えられた内容を正確に学習し、それ以上のものは学習しません。Claude Sonnet 4.5 に同じ進化プロンプトを用いて適用すると――GPT-4o のエラーからコンパイルされ、変更なし――結合 F1 は +2.31pp 改善し、Claude のより強いベースラインが最も余地を残す場所に利得が集中します――コンパイルされた知識はタスク形状であり、モデル形状ではないことを確認します。