Experience Compression Spectrum：記憶・スキル・ルールをLLMエージェントで統合するアーキテクチャフレームワーク

Experience Compression Spectrumとは何ですか？

2026年4月17日に発表された新しいarXivプレプリントは、LLMエージェントが長期的・多シーズンのデプロイメントで経験をどのように扱うかについての統合理論フレームワークを提案しています。著者のXing Zhangらは、記憶・スキル・ルールを別々のアーキテクチャコンポーネントとして扱うのではなく、圧縮率が増加する単一軸上に配置しています。

• エピソード記憶 — 何が起きたかの生の記録、圧縮率5-20×
• 手続き的スキル — パターンから学習されたパラメータ化されたルーティン、50-500×
• 宣言的ルール — コンテキストを超えて適用される一般的な命題、1000×+

アイデアはシンプルですが強力です。これらはすべて同じプロセスの異なるレベル — 経験を再利用可能な知識に圧縮すること — です。違いは、より良い簡潔さのためにどれだけのコンテキストが失われるかです。

既存システムの分析で何が明らかになりましたか？

著者らは三つの体系的な問題を特定しています。

1. 固定した圧縮レベル。 ほとんどのエージェントはスペクトルの一点で動作します — すべてを記憶するものもあれば、ルールを抽出するものもあります。しかし実際の経験は均一ではありません — 詳細な記憶を必要とするもの（エッジケース）もあれば、極端な圧縮が必要なもの（安定した手続き）もあります。適応的柔軟性のないシステムはどちらかの端でコストを払います。

2. 記憶とスキルが通信しない。 記憶（長期コンテキスト、RAG、エピソード再生）とスキル（スキル学習、プログラム合成）を研究しているコミュニティは成果を共有していません。著者らはこれらが本質的に同じこと — 経験の圧縮 — であり、サイロの中で発展していると主張しています。

3. 評価はレベルによって異なる。 「良い記憶」と「良いスキル」と「良いルール」をどのように測定するか？各レベルには独自のベンチマークがあり、異なるスペクトルレベルで動作するシステムの比較が困難になっています。

フルスペクトルエージェントの設計原則は何ですか？

この論文は具体的な実装を提案せず、スペクトル全体で動作するエージェントの原則を提案しています。

• 動的ポジショニング — エージェントはパターン頻度と確信度に基づいて各経験の圧縮レベルを自律的に選択します
• 双方向移動 — 記憶からスキルを、スキルからルールを圧縮できます。逆に、ルールが失敗したとき、エージェントはエピソードの詳細まで「解凍」できる必要があります
• ライフサイクル管理 — ルールとスキルは時代遅れになり、コンテキストは変化します。経験には単純な蓄積だけでなく、修正のメカニズムが必要です

なぜこれが重要なのですか？

長期エージェント — 同じコンテキストで数週間・数ヶ月作業するもの（カスタマーサポート、テクニカルサポート、パーソナルアシスタント、コーディング） — は経験が必要です。しかし、純粋な記憶はスケールしません（ウィンドウが大きくなり、コストが増加します）、早すぎる圧縮は情報を失います。この論文は圧縮はスペクトルであり、二項選択ではないと主張し、次世代のエージェントはそれを念頭に置いて設計されるべきだとしています。

構築者への示唆

本番エージェントを構築するチームへのメッセージはアーキテクチャ的なものです。記憶・スキル・ルールのための別々のモジュールの代わりに、レベルを超えた昇格と降格のメカニズムを持つ記憶階層を考えてください。要約パイプライン、スキル抽出器、ルール誘導器は同じシステムの部品です — 異なる圧縮レベルで動作しているだけです。

この論文は新しいモデルの実験結果のないプレプリントです — これはフィールドの共通言語を定義するポジションペーパーに近いです。しかしだからこそ価値があります。現在長期エージェントを構築しているチームは、記憶アーキテクチャを設計する際のガイドとして使用できます。