AIエージェントの記憶劣化を防ぐ2つのパターン：AutoDreamと懐疑的検索

OpenClawのメモリ管理アプローチ

OpenClawは、ファイルベースのAIメモリシステムにおける「ゆっくりとした腐敗」問題に対処するため、2つのMITライセンスのパターンを公開しました。この問題では、適切なマーキングがないために事実が古くなり、エージェントが古いコンテキストに基づいて行動してしまいます。現在はOpenClaw固有のものですが、そのコンセプトはあらゆるファイルベースのメモリシステムに適用可能です。

AutoDream：夜間メモリ統合

AutoDreamは、午前3時に実行されるcronエージェントで、メモリメンテナンスを実行します。セッションのトランスクリプトを読み取り、消えゆく前に日々のログを掘り起こし、構造化されたメモリファイルを更新し、古くなったエントリを剪定します。重要な洞察は、日々のログが最も豊富な原材料である一方で最も早く劣化するため、冷たくなる前に保持する価値のあるすべてを抽出するという点です。メモリは単に追加されるのではなく、継続的に書き換えられます。

Skeptical Retrieval：減衰加重メモリスコアリング

AutoDream：夜間メモリ統合

AutoDreamは、午前3時に実行されるcronエージェントで、メモリメンテナンスを実行します。セッションのトランスクリプトを読み取り、消えゆく前に日々のログを掘り起こし、構造化されたメモリファイルを更新し、古くなったエントリを剪定します。重要な洞察は、日々のログが最も豊富な原材料である一方で最も早く劣化するため、冷たくなる前に保持する価値のあるすべてを抽出するという点です。メモリは単に追加されるのではなく、継続的に書き換えられます。

Skeptical Retrieval：減衰加重メモリスコアリング

Skeptical Retrievalは、標準的なセマンティック検索のフラットなトップN検索を、複合スコア（セマンティック × 新近性減衰 × 想起ブースト）で置き換えます。標準的なセマンティック検索では、6週間前の事実と昨日の事実を同じように扱いますが、このアプローチでは異なるファイルタイプに異なる減衰率を適用します（安定した事実はλ=0.02、運用上のタスクはλ=0.08）。頻繁に想起されるスニペットには対数的なブーストが与えられ、低信頼度の結果は注入されるのではなく抑制されます。

両者の連携方法

これら2つのパターンは、自己改善メモリループを形成します。AutoDreamはどのスニペットが引用されたかを追跡し、想起回数は複合スコアリングにフィードバックされ、AutoDreamは一度も想起されなかったスニペットを剪定します。実装は、コストがかからないフェーズ0（推論規律のみ）から始まり、1回のcron更新が必要なフェーズ1（想起追跡）が続きます。

開発者は、減衰率の選択には反復が必要だったと述べており、それについての議論を歓迎しています。両パターンはGitHubで利用可能です：

• https://github.com/LeoStehlik/openclaw-skeptical-retrieval
• https://github.com/LeoStehlik/openclaw-autodream