代謝としての記憶：コンパニオン・ナレッジ・システムの設計

Abstract

生成拡張（Retrieval-Augmented Generation）は、LLMに永続的な記憶を与えるための支配的なパターンであり続けていますが、2026年4月には、個人用のウィキ風メモリ・アーキテクチャの目に見えるクラスターが出現しました――Karpathy、MemPalace、そしてLLM Wiki v2からの設計提案で、知識を相互に連結された成果物へとコンパイルし、単一ユーザが長期的に利用できるようにするものです。これらは、主要なラボが1年以上前から出荷しているプロダクション用メモリ・システムと並存しており、さらにMemGPT、Generative Agents、Mem0、Zep、A-Mem、MemMachine、SleepGate、Second Meを含む、活発な学術的系譜も存在します。エージェントの文脈とメモリに関する2026年の新たなガバナンス枠組みの潮流――Context CartographyやMemOSを含む――の中で、本論文は、コンパニオン固有のガバナンス・プロファイル、すなわち、規範的な義務の集合、時間構造化された手続き上のルール、そして、LLMウィキ・パターンに基づく単一ユーザの知識ウィキにおいて、ユーザ結合ドリフトによって起きる「固定化（entrenchment）」という特定の故障モードに対する、検証可能な適合性の不変条件を提案します。 設計原理は、個人用LLMメモリはコンパニオン・システムである、ということです。その仕事は、運用上の次元（作業語彙、支えとなる構造、文脈の連続性）でユーザを写し取り、認識論上の失敗モード（固定化、矛盾する証拠の抑圧、クーヒン的な硬直化）を埋め合わせることです。この分割を実現するのは5つの操作――TRIAGE、DECAY、CONTEXTUALIZE、CONSOLIDATE、AUDIT――であり、これらはメモリの重力と、少数仮説の保持によって支えられます。最も鋭い予測は次の通りです。蓄積された矛盾する証拠は、複数サイクルのバッファ圧（buffer pressure）の蓄積を通じて、中心性が保護された支配的解釈を更新するための構造的な経路を持つはずであり、既存のベンチマークはいずれもこの失敗モードを捉えていない、というものです。単一エージェントの安全性に関する説明は部分的であり、本論文は何を解決し、何を解決しないのかを明確に述べています。