IBM Research、エージェント記憶機構 ALTK-Evolve を発表──ACE 比で推論コストを最大約 1/7 に削減
エージェントの過去の失敗履歴を圧縮せずに個別ガイドラインとして保持し、モデルの処理能力に応じて動的に配信量を切り替えることで、ACE と同等以上の精度を低コストで実現した。
リリース: 2026-08-11 · 読了 3 分記事の要約
1. 核心（What）
- IBM Research はエージェント記憶機構 ALTK-Evolve を発表し、過去の実行軌跡から得た教訓を圧縮せずに個別ガイドラインとして保持する設計を採用した。
- AppWorld ベンチマーク（168 タスク）において、強いモデル（DeepSeek-V3.2）では ACE の約 40% の推論コストで精度を上回った。
- 弱いモデル（gpt-oss-120b）の検証では、ACE と同等の精度を維持しつつ推論コストを約 1/7 に削減した。
- ガイドラインの配信を固定の全体注入から、タスクやモデルの許容量に合わせた動的選択（dial 型配信）に変更した。
2. 影響（Why）
- 長文脈プロンプトのコストと破綻の回避: 全履歴を毎ステップ注入する方式では、弱いモデルがコンテキスト過多で破綻し、強いモデルでもトークンコストが肥大化する。動的配信の導入により、商用 LLM API を用いたマルチステップエージェントの実装コストを数分の一に抑える現実解が得られる。
- 国内 SaaS 事業者への影響: 社内業務や外部 API を連携するマルチステップエージェントを本番運用している国内 AI アプリ開発チーム（Vertical SaaS 規模）は、固定長のプロンプト設計からモデル容量に応じたコンテキスト制御へアーキテクチャを移行する契機となる。
3. 根拠・詳細（How）
- サポート数に基づくクラスタリングと統合: 近傍の教訓をクラスタリングしつつ統合する際、サバイバーが統合元のカウントを継承するサポート保存方式を採用し、経験の裏付けを失わずにストアを縮小する。
- モデル依存の動的配信機構: AppWorld ベンチマークの ReAct エージェント環境において、強いモデルには全統合セットを渡し、弱いモデルにはコサイン類似度や LLM ガイドで選択した少数のガイドラインを優先度付きで割り当てる。
4. 展望・課題（Next）
- 能力スペクトラムに応じたスケーリング検証: どの程度の情報量を注入すべきか、その最適なスケーリング則についての詳細な検証は次回のブログポストで公開される予定である。