基本に立ち返る：検索と生成だけで会話エージェントに記憶を取り戻させる

Abstract

既存の会話メモリ・システムは、長期の対話履歴を管理するために複雑な階層的要約や強化学習に依存しているが、会話が長くなるにつれて文脈が薄まる脆弱性が残っている。本研究では別の観点を提示する。主なボトルネックはメモリアーキテクチャではなく、潜在知識空間（latent knowledge manifold）における extit{Signal Sparsity Effect（信号の疎性効果）} にある可能性が高い。制御された実験により、2つの主要な現象を特定する。 extit{Decisive Evidence Sparsity（決定的な証拠の疎性）} は、セッションが長くなるほど関連する信号がますます孤立化し、集約ベースの手法において鋭い劣化を引き起こす。 extit{Dual-Level Redundancy（二層レベルの冗長性）} は、セッション間の干渉とセッション内の会話上の間（フィラー）が、ともに大量の情報を持たないコンテンツを導入し、有効な生成を妨げる、というものである。これらの洞察に動機づけられ、我々は \method を提案する。これは、対話メモリを「基本に立ち返らせる」ことを目指した最小主義的（minimalist）フレームワークであり、Turn Isolation Retrieval（TIR）とQuery-Driven Pruning（QDP）による検索と生成のみに依存する。TIRはグローバルな集約を置き換え、ターン単位の信号を捉えるために最大活性化（max-activation）戦略を用いる。一方、QDPは冗長なセッションや会話上のフィラーを除去して、コンパクトで高密度なエビデンス集合を構築する。複数のベンチマークに対する大規模な実験により、\method が多様な設定において堅牢な性能を達成し、強力なベースラインを一貫して上回りつつ、トークン数とレイテンシの面でも高い効率を維持することが示される。これにより、対話メモリに対する新しい最小主義的ベースラインが確立される。