Amazon BedrockのAgentCore Memoryがメタデータフィルタリング機能を獲得した。名前空間によるテナント分離に加え、優先度や期間、部門といった業務属性で記憶検索を絞り込めるようになり、文脈依存型の質問で正答率が16%から69%へ跳ね上がっている。エージェントの長期記憶が実用フェーズに入ったことを示すアップデートだ。

名前空間だけでは解けなかった「文脈の壁」

AgentCore Memoryは従来、クライアントや患者単位の名前空間で記憶を隔離してきた。しかし同一テナント内に半年分の対話履歴が蓄積されると、「ポートフォリオ再調整の議論」という検索が、先週の高優先度案件と三カ月前の定期照会を区別できなくなる。意味的類似性に依存するベクトル検索の限界が顕在化し、検索結果にノイズが混入する構造的な問題が表面化していた。AWSはこの課題を「検索精度の壁」と位置づけ、セマンティック検索の前段で属性ベースの絞り込みをかける二段構えのアーキテクチャへ進化させた。

151問のベンチマークで示された数値的根拠

AWSがLoCoMoスタイルの多セッション対話ベンチマークで実施した評価では、151問のテストセット全体でQA正答率が40%から64%に向上した。特に注目すべきは、時間範囲や優先度、部門スコープに依存する「文脈境界型」の質問群で、正答率が16%から69%へと約4.3倍に跳ね上がった点である。単純な類似度検索では取得できなかった時間軸や業務属性の情報が、メタデータフィルタにより適切に抽出されるようになったことを示している。

短期・長期記憶を貫く3段階のメタデータ設計

メタデータ機能は設定、取り込み、検索の三段階で動作する。記憶の格納時に業務属性をメタデータとして付与し、検索時には名前空間でテナントを分離した上で、メタデータ条件で絞り込んでから意味検索を実行する。このパイプラインは短期記憶と長期記憶の両方に適用され、金融サービスの顧客対応やITヘルプデスクのチケット検索など、マルチエージェント・マルチテナント環境で即効性を発揮する設計となっている。

エージェント記憶の競争軸は「分離」から「分別」へ

大規模言語モデルを活用したAIエージェントの差別化要因が、単なる記憶容量から検索精度へとシフトしている。AWSが名前空間の「誰のデータか」という分離に加え、メタデータで「どの文脈か」を分別可能にした動きは、エンタープライズ領域でのエージェント実装を加速させる布石といえる。競合クラウドベンダーが同様の記憶サービスを提供する中、業務属性に基づくきめ細かなフィルタリング機能の有無が、マルチテナントSaaSや金融機関のAI導入における選定基準の一つに浮上する可能性がある。