Prism：マルチエージェントによるオープンエンド探索のための進化的メモリ基盤

arXiv cs.AI / 2026/4/23

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

Prismは、オープンエンド探索を行うマルチエージェントAI向けに設計された、確率的な情報階層化（information-stratified）メモリ基盤を提案します。
この枠組みは、レイヤー化したファイル永続化、ベクトル拡張によるセマンティックメモリ、グラフ構造の関係メモリ、マルチエージェントの進化的探索を、単一の意思決定論的アーキテクチャに統合します。
主要要素として、エントロピーでゲートするメモリ階層化、介入エッジとプロヴェナンスを持つ因果メモリグラフ、そして自己進化する戦略選択を備えた価値（Value-of-Information）に基づく検索方針があります。
さらに、最適停止理論に基づく停滞検知を行うハートビート駆動の統合制御と、メモリ信頼度を進化的適応度として扱うレプリケータ・デカイ動力学も組み込まれます。
実験では良好な結果が報告されており、LOCOMOで88.1（LLM-as-a-Judge、Mem0比31.2%増）、またCORAL系の最適化課題では4エージェントPrismが単一エージェント基準より改善率が2.8倍です。

概要: 私たちは、
\prism{}（\textbf{P}robabilistic \textbf{R}etrieval with \textbf{I}nformation-\textbf{S}tratified \textbf{M}emory）を導入します。これは、開かれた探究（open-ended discovery）に携わるマルチエージェントAIシステムのための、進化的メモリ基盤です。\prism{}は、層化されたファイルベースの永続化、ベクトル拡張されたセマンティックメモリ、グラフ構造化された関係メモリ、マルチエージェントの進化的探索、という4つの独立に開発されたパラダイムを、相互に接続された8つのサブシステムを備える、単一の決定論的フレームワークのもとで統合します。
私たちは5つの貢献を行います: （1）Shannon情報量に基づいて、記憶を三部構成のハブ（スキル/ノート/試行）へ割り当てる\emph{エントロピー・ゲーティング付き層化}機構であり、形式的なコンテキストウィンドウ利用の上界を提示します；（2）介入エッジとエージェント属性付きの出所（provenance）を備えた\emph{因果記憶グラフ} $\mathcal{G} = (V, E_r, E_c)$ ；（3）自己進化する戦略選択を伴う\emph{情報価値（Value-of-Information）取得}方針；（4）最適停止理論による停滞検出を行う、\emph{ハートビート駆動の統合}コントローラ；（5）記憶の確信度を進化的適応度（evolutionary fitness）として解釈する\emph{レプリケータ減衰（replicator-decay）ダイナミクス}の枠組みであり、進化的安定メモリ集合（Evolutionary Stable Memory Set: ESMS）への収束を証明します。LOCOMOベンチマークにおいて、\prism{}は88.1のLLM-as-a-Judgeスコア（Mem0に対して31.2\%上回る）を達成します。CORAL-styleの進化的最適化タスクでは、4エージェント\prism{}が、単一エージェントのベースラインよりも2.8 $\times$ 高い改善率を示します。%