( EVENT REPORT )
AIエージェントの長期記憶とは?──過去のやり取りを生かすGoogle Cloudの実装例

AIエージェント[1]の長期記憶とは、過去のタスクや指示・応答から、今後に役立つ情報を選んで残し、次の作業に生かす仕組みです。一度経験したタスクを、次はより少ないトークン[2]でこなせるようにすることも、その狙いの一つです。Google CloudのJason Davenport氏は、長期記憶をAIエージェント改善の「次のフロンティア」と位置づけています。
企業ガバナンスを支援するAIプラットフォームを提供する株式会社プライバシーテックは、2026年8月4日〜6日に米国ラスベガスで開催された「Ai4 2026」に参加いたしました。「米国最大のAIカンファレンス(America's Largest AI Conference)」を掲げる本カンファレンスで弊社が聴講したセッションの内容を、いくつかの記事として皆様の実務に役立つ形でお届けしています。
本記事では、Google CloudのJason Davenport氏による講演「AIエージェントはバイブコーディングで作られた羊の夢を見るか?──長期記憶の管理と活用(Do your AI Agents dream of vibe coded sheep? Managing durable agent memories)」[3]を紹介します。
この記事でわかること
短期記憶・長期記憶・ナレッジベースの違い:現在のやり取り、過去の経験、業務資料を、それぞれどう扱うか。
長期記憶を作る「dreams」:dreamsは過去のやり取りを分析し、記憶や指示を更新する仕組み。
Google Cloudでの実装例:やり取りの記録から、記憶の保存、次の対話での利用までの実際の流れの例を紹介。
※数字の注釈([1]など)の用語は、記事末尾の「用語解説」で説明しています。
目次
登壇者
Jason Davenport(Area Technical Lead, Google Cloud)
Google Cloudのエリア・テクニカルリードを務めています。AIに加え、データやシステム基盤など、クラウド上のさまざまな領域について、複数の開発者コミュニティとともに活動しています。
短期記憶・長期記憶・ナレッジベースはどう違う?
エージェントに仕事を任せるには、回答や判断に必要な情報である「コンテキスト」[5]を渡す必要があります。
Davenport氏が重視するのは、ユーザーから受け取った情報を参照し、やり取りが長くなっても必要な情報を失わず、質問に合った回答に使えることです。そのためには、エージェントを動かすプログラムに加え、何を保存し、必要なときにどう取り出すかを支える仕組みが欠かせません。
同氏は、情報を保持・参照する仕組みを、短期記憶・長期記憶・ナレッジベースの3つの観点から説明しました。
短期記憶:現在のやり取りに必要な情報を保つ
短期記憶は、ユーザーとエージェントの一続きのやり取りである「セッション」[6]内の情報を保持する仕組みです。
やり取りが続くほど情報は増えますが、AIが一度に参照できる範囲である「コンテキストウィンドウ」[7]には上限があります。長い対話でも、必要な情報を失わずに使えるようにすることが課題です。
長期記憶:過去の経験を次の作業に生かす
長期記憶は、過去のやり取りや作業から得た情報を、その後の対話や作業でも利用できるようにする仕組みです。今回のデモでは、ユーザーの名前や好みをデータベースに保存し、次の対話で検索して回答に利用しました。
重要なのは、履歴を残すだけでなく、今後の作業に役立つ情報を選び、再利用できるようにすることです。
Davenport氏は、同じタスクを10回経験したエージェントが、毎回100万トークンを使うのではなく、例えば1万トークンでこなせるようになる、という例を挙げました。トークンはAIが文章を処理する際の単位で、処理量や利用料金の目安になります。この数値は実測結果ではなく、経験の再利用による効率化を示す例です。
ナレッジベース:業務に必要な文書や資料を参照する
ナレッジベース[4]は、社内マニュアルや製品資料などを集め、検索・参照できるようにしたものです。短期記憶が「現在のやり取り」、長期記憶が「過去の経験」を扱うのに対し、ナレッジベースは「業務に必要な資料」を提供します。
Davenport氏は、エージェントが期待通りに動かなかったと聞くと、人間がその仕事で参照する情報を、エージェントも利用できているか確認するといいます。同氏の経験では、約9割のケースで、人間と同じ情報を利用できていなかったそうです。
必要な資料を参照できなければ、期待する結果は得られません。対策として同氏は、業務情報を集めて検索できるように整理し、エージェントから参照可能にすることを挙げました。
長期記憶を作り、更新する「dreams」とは?
過去のやり取りを保存しただけでは、次の作業に役立つ情報が整理されているとは限りません。そこで、記録を分析し、何を記憶として残すかを選びます。
Davenport氏は、こうして長期記憶を作成・更新する処理を、人間が日中に得た情報を整理し直す夢になぞらえ、「dreams」と呼んでいます。分析結果は、エージェントへの指示の見直しにも使います。本記事でも、講演に合わせてこの呼び方を用います。
dreamsの主な使い道
同氏は、次の3つを挙げました。
ユーザーの好みの変化を反映する
やり取りから好みの変化を読み取り、記憶を更新します。望ましくない振る舞いを改善する
想定外の、あるいは望ましくない振る舞いに関する情報を短くまとめ、指示の改善に使います。必要なときに検索して参照させることもできます。このように、外部の情報を検索して回答に取り込む手法を「RAG(検索拡張生成)」[8]と呼びます。組織としての対応を統一する
記憶や指示を見直し、組織で定めた方法に沿って対応できるようにします。
「答え」と「解き方」のどちらを残すか
経験を次に生かす際は、個別の答えを覚えることと、他の問題にも使える解き方を残すことを区別する必要があります。
Davenport氏は、10歳の息子の足し算を例に説明しました。「2たす2は?」と聞かれて計算せず「4」と答えられるのは、答えを覚えているからです。一方、足し算のやり方を理解していれば、覚えていない計算にも対応できます。同氏は前者を「丸暗記」、後者を「スキル」と呼びました。
エージェントも、過去の答えを再利用するのか、他のタスクにも使える解き方を残すのかによって、記憶の活用方法が変わります。
Google Cloudで長期記憶を作り、次の対話で使うまで
講演の後半では、Davenport氏が自作のWebアプリを使い、情報の収集から記憶の利用までを5つのステップで実演しました。
ステップ1:ユーザーの情報を集める
GoogleのAIエージェント開発ツール「ADK」[9]で作ったエージェントが、ユーザーの名前や職務、好きなプログラミング言語、利用中のクラウドサービスやツールを尋ねます。
今回のデモでは、保存しなければ次の利用時に情報を引き継げないため、まずやり取りを記録します。
ステップ2:動作記録をBigQueryに保存する
ユーザーの指示やエージェントの応答などの動作記録[10]を、Google Cloudのデータ分析基盤「BigQuery」[11]に保存し、どのような処理を行ったか確認できるようにします。
同氏は、動作を記録・確認する仕組みにもトークンの利用予算を割り当てるべきだと強調しました。長いやり取りで蓄積される膨大な記録も、エージェントの改善や組織の成功につながるため、捨てるべきではないといいます。
ステップ3:記憶として残す情報を選び出す
BigQuery上でAIモデルを利用し、動作記録からユーザーの好みなどを抽出します。講演では、この作業を「dream harvesting」と呼んでいました。
何を残すかはプロンプトで指定します。同氏は、この指示が仕組みの中核になると説明しました。分析対象は、一つの対話から複数の対話に広げることもできます。
今回使ったのは、高性能なモデルではなく軽量なモデルです。作業が要約であり、必要な情報がすべてモデルの一度に参照できる範囲に収まるためです。作業に合ったモデルを選び、コストを抑えるという考え方です。
ステップ4:長期記憶をSpannerに保存する
抽出した情報を、Google Cloudのデータベース「Spanner」[12]に保存し、次の対話でも利用できる長期記憶にします。
Spannerは今回のデモで選ばれた保存先であり、ほかのデータベースにも置き換えられると同氏は説明しています。
ステップ5:次の対話で記憶を利用する
別のエージェントが、ユーザーの質問に関係する記憶を検索し、回答に利用します。
デモでは、登壇者の「好きなもの」を尋ねると、名前や好んで使うツールなどが約300ミリ秒で取得されました。この時間は、今回のデモで記憶の取得にかかったものです。
過去の別のテストセッションで得た情報も取得され、複数の対話をまたいで記憶を使う様子が示されました。

AI導入では、モデルの性能と情報を扱う仕組みの両方を見る
Davenport氏は講演の締めくくりに、現在のエージェント技術では、振る舞いの改善に向けて記憶の管理がおそらく最も重要な取り組みだと述べました。
記憶とdreamsを組み合わせれば、過去の動作記録をもとに記憶や指示を見直し、その後の振る舞いの改善につなげられます。ただし、人間が結果を確認する「human-in-the-loop」[13]が前提です。
同氏は、1つのエージェントにすべてを任せることには限界があり、目的を果たせるシステムを構築することが重要だとも説明しました。
企業への示唆は、モデルの性能とともに、エージェントが必要な情報を利用できるかを確認することです。「現在のやり取りで使う情報」「次の作業に引き継ぐ情報」「業務資料として参照する情報」を整理することが、仕事を任せる土台になります。
弊社の考察:「記憶の仕組み」がもたらす可能性と展望
株式会社プライバシーテックでは、本セッションの記憶の捉え方とdreamsについて、AIエージェント活用やプロダクト開発における可能性を次のように考えています。
人間の脳を模した記憶モデルへの評価
情報を短期記憶・長期記憶・ナレッジベースに分け、過去のやり取りから記憶を再構成・更新するdreamsを位置づけた点は、人間の脳の働きをうまく抽象化したアプローチと評価できます。
情報を保持するだけでなく、バックグラウンドで記憶を整理し直し、深めていく仕組みは、今後のAIエージェントの発展において重要な要素になると考えます。
GRoW-VAへの応用と知識の自動更新
この仕組みは、弊社のガバナンス支援AIプラットフォーム「GRoW-VA」をはじめとするプロダクトでも、ナレッジベースの拡充やコンテキスト管理の効率化に活用できます。
例えば、dreamsをヒントに、システムが利用されていない時間帯などにバッチ処理を行い、日中のやり取りや蓄積データから知見を抽出・整理して、ナレッジベースに自動で追加・更新する機能が考えられます。
こうした機能により、システムが継続的に改善し、より高精度で文脈に沿った支援を提供できるようになると期待しています。
用語解説
※以下は、弊社でまとめた一般的な説明です。
[1] AIエージェント:与えられた目標に向けてAIが手順を判断し、ツールを使いながらタスクを進める仕組み。
[2] トークン:AIが処理するテキストの単位。処理量や利用料金の目安になる。
[3] 講演タイトル:SF小説『アンドロイドは電気羊の夢を見るか?』(フィリップ・K・ディック著、1968年)をもじったもの。「vibe coding(バイブコーディング)」は、AIに自然言語で指示を出してコードを書かせる開発スタイルを指す。
[4] ナレッジベース:業務に必要な文書や資料などを集め、検索・参照できるようにしたもの。
[5] コンテキスト:AIが回答や判断の際に参照する情報。
[6] セッション:ユーザーとエージェントの一続きのやり取り。
[7] コンテキストウィンドウ:AIモデルが一度に参照できる情報の範囲。その大きさには上限がある。
[8] RAG(検索拡張生成):外部の情報を検索し、AIの回答に取り込む手法。
[9] ADK(Agent Development Kit):Googleがオープンソースで提供する、AIエージェント開発用のフレームワーク。
[10] 動作記録(テレメトリ):システムの動作状況を記録したデータ。本講演では、ユーザーの指示やエージェントの応答など、エージェントが行った処理の記録を指す。
[11] BigQuery:Google Cloudの大規模データ分析基盤。データの検索や集計などに使う言語「SQL」で、AIモデルを利用することもできる。
[12] Spanner:世界各地にデータを分散して管理でき、高い可用性を特長とするGoogle Cloudのデータベース。可用性とは、必要なときにサービスを利用できる度合いを指す。
[13] human-in-the-loop:人間が確認や判断のプロセスに関与する仕組み。
Ai4公式サイト:https://ai4.com/
#Ai4 #AIエージェント #エージェントメモリ #長期記憶 #短期記憶 #コンテキスト管理 #GoogleCloud #ADK #BigQuery #Spanner #RAG
お問い合わせ・資料ダウンロード
ガバナンスを人とAIで強くする会社
プライバシーテックは、人手不足のガバナンス業務をAIで自動化します。最新のデータ利活用時におけるプライバシー保護技術に関して、資料ダウンロードも可能です。是非ご覧ください。
過去の支援実績












支援実績
最新資料

PrivacyTech GRoW-VA
散在する情報を、複利を育むIntelligenceに変え、AI・データガバナンスの実行を支援・自動化。AIとデータガバナンス領域の専門性を深いレベルで統合し、顧客ごとにカスタマイズされた出力をスピーディーに実現できるプラットフォームです。

PlayBook開発支援サービス
AI・データ活用の原理原則・ルールをまとめた、PlayBook(プレイブック)は急速に進化する技術を乗りこなしていくため、現場の従業員が課題を発見し、対策を導くための手順・戦略・ノウハウをまとめた指南書です。

PIAとはなにか? (策定と運用)
Privacy Impact Assessment (Data Protection Impact Assessment)プライバシー影響評価(データ保護影響評価)に関する概要説明、及びプライバシーへの配慮を前提とした開発モデル「プライバシー・バイ・デザイン(PbD)」について記載しております。

プライバシーポリシー改定の進め方
AIや3rdParty、Cookieレスへの対応など、従来の個人情報管理だけではない、利用者への説明責任や選択機会の提供の対応が求められています。そういった環境変化に対応するための戦略的プライバシーポリシー改定の方法を記載しております。

プライバシーセンター新規開設の進め方
Webサイトやアプリのアクセス時に突如出現する「同意取得バナー」や、難解で大量の文字で埋め尽くされた規約で、生活者(ユーザー)から同意取得をすればよいという対応は、既に形骸化しており、もはや時代にそぐわないものになっています。生活者との信頼の醸成に繋がるプライバシーの同意取得の方法・考え方を記載しております。

改正電気通信事業法 外部送信規律の対応事例
2023年6月16日から改正電気通信事業法が施行されることになり、「外部送信規律」が新たに追加されました。これは、インターネットでビジネスを展開する際、利用者に対して、透明性を高めることを義務化する法律です。この対応を怠ると、行政指導や業務改善命令、従わない場合は200万円以下の罰金が課されるため、他社事例を元にこの規律を学んでいただける資料を作成しております。






















