D-Mem: LLMエージェント向けデュアルプロセス・メモリシステム

概要: 永続的で自己適応的な自律エージェントの発展に動機づけられ、長期的な推論のための高忠実度メモリアクセスをこれらのシステムに装備することが重要な要件として浮上してきました。しかし、普及している検索ベースのメモリフレームワークは、多くの場合、逐次的な処理パラダイムに従い、会話の記憶をベクトルデータベースへ継続的に抽出・更新し、照会時には意味的検索に依存します。このアプローチは高速ではあるものの、根本的には損失を伴う抽象化に依存しており、文脈上重要な情報を頻繁に見逃し、微細な文脈理解に基づくクエリの解決に苦労します。これに対処するため、D-Mem というデュアル・プロセス・メモリシステムを導入します。日常的なクエリには軽量なベクトル取得を維持しつつ、高忠実度のフォールバックとして網羅的な Full Deliberation モジュールを確立します。精度を犠牲にせず認知的経済性を達成するため、D-Mem はこれら二つの処理を動的に橋渡しする多次元品質ゲーティング方針を採用します。GPT-4o-mini および Qwen3-235B-Instruct を用いた LoCoMo および RealTalk ベンチマークでの実験は、我々のアプローチの有効性を示しています。特に、我々の多次元品質ゲーティング方針は、GPT-4o-mini を用いて LoCoMo で F1 スコア 53.5 を達成します。これは静的取得ベースライン Mem0^A（51.2）を上回り、Full Deliberation のパフォーマンス（55.3）の 96.7% を回復する一方、計算コストは著しく低く抑えられます。