メモリ転送学習：コーディングエージェント間で記憶がドメインを越えて転送される仕組み

概要: メモリに基づく自己進化は、コーディングエージェントのための有望なパラダイムとして登場している。 しかし、既存のアプローチは一般に、メモリ利用を同質なタスク領域に制限しており、実世界の多様なコーディング問題にまたがって存在する、実行環境やプログラミング言語といった共有のインフラ基盤を十分に活用できていない。 この制約に対処するため、異種領域からの統一的なメモリプールを活用することで、
\textbf{メモリ転移学習}（MTL）を調査する。 具体的なトレースから抽象的な洞察までの4種類のメモリ表現を用い、6つのコーディングベンチマークにわたって性能を評価する。 実験の結果、ドメインをまたぐメモリは平均性能を3.7
y%向上させることが示された。主因は、タスク固有のコードではなく、妥当性確認ルーチンなどのメタ知識の転移である。 重要な点として、抽象化の度合いが転移可能性を決定することを見出した。高レベルの洞察はうまく一般化される一方で、低レベルのトレースは過度な特異性ゆえに負の転移を引き起こすことが多い。 さらに、転移の有効性はメモリプールのサイズに応じてスケールし、異なるモデル間でもメモリを転移できることを示す。 本研究は、単一ドメインのサイロを超えてメモリ利用を拡張するための経験的な設計原則を確立する。 プロジェクトページ: https://memorytransfer.github.io/