Appleの研究「Shared Selective Persistent Memory」エージェントに会話の全履歴を持たせると成績が下がる（71%）、何も持たせないと79%、「4種類だけ選んで残す」と96%。ゼロトークンでデータ更新（14倍速）、要約駆動で1回あたりのトークン97分の1、記憶はワークスペース単位で他の人に渡せる

2026年9月18日・日本時間時点の情報です。 Appleの機械学習研究サイトに9月16日に載った論文の要旨を読んだ。エージェントの「記憶」は、当サイトでACM（何を覚えておくかの管理）、HiPS（原則と癖を分ける）、Claude Managed AgentsのDreams、ChatGPTのDreaming V3と追ってきた論点で、今回は「全部覚えると下がる」という数字が付いている。

3行まとめ

1. 問題と答え。 多段階のツール利用でコードを生成するエージェントは、セッションごとにゼロから始まり、前回を生産的にした設定・制約・スキーマ・ツールの使い方が捨てられる。だが会話履歴を丸ごと残すのはトークン効率が悪いうえ逆効果で、無関係な文脈が生成の質を下げる。提案は、再利用できる文脈を4種類（タスク仕様・データスキーマ・ツール設定・出力の制約）だけ選んで残し、セッション固有の推論の痕跡は捨てる「選択的・持続メモリ」。さらに記憶を包むワークスペースをロールベースのアクセス制御つきで他の利用者に渡せる「共有」が要点で、蓄積した文脈を同じ仕様を書き直さずにチームで再利用する。
2. 数字。 企業の3つの導入シナリオで、タスク完了率は選択的記憶96%、記憶なし79%、全履歴71%。「素朴な全履歴の持続は、古い推論の痕跡でエージェントを偏らせ、完了率を実際に下げる」。生成したプログラムと実行時のデータを分離する**「ゼロトークンのデータ更新」で、定期的なデータ更新にLLMを再呼び出しせずに済み（タスク時間14分の1）、要約駆動の生成で1回の呼び出しあたりのトークンが生データ注入比97分の1**。公開4データセットでの再現でも、ゼロトークン更新は12回中12回成功。
3. 実装先。 LLMエージェントが、CSVアップロード・SQL・REST API・MCPサーバーの複数のコネクタから読んだデータで、対話型ダッシュボード・構造化レポート・データ駆動の文書をgitで版管理された成果物として作り・編集し・保守する共同作業プラットフォーム（Apple社内で配備済み）。下書きの分離つきgit版管理で、モデルを再呼び出しせずに変更を試し、任意の状態へ戻せる。

4種類の「残すもの」と「捨てるもの」

「全履歴が逆効果」というのは、当サイトがコンテキストウィンドウとはで整理した「広ければ良いわけではない」（Context Rot）の、エージェントの記憶版にあたる。

記憶はワークスペース単位という違い

• 記憶を「人」ではなく「ワークスペース」に付けるのがChatGPTやClaudeの個人メモリとの違いで、チームで同じダッシュボードを保守する用途に向く。Mem0のフレームワーク対応で見た「ツール呼び出し型／自動注入型」の分け方でいえば、こちらは成果物と一緒にgitに乗る型
• ゼロトークンの更新は「一度作ったプログラムを、データだけ差し替えて再実行する」だけで、LLMを呼ばない。定期レポートの自動化では、この分離ができるかどうかが費用を決める
• 数字はApple社内の3シナリオと公開4データセットでの自己申告で、比較対象は「記憶なし」「全履歴」の2つ。他のメモリ手法（Mem0など）との比較は要旨に無い

要旨の数値は確認、論文本文は未読

この記事の下調べで、筆者は9月18日にApple Machine Learning Researchのページを取得し、著者・4種類の分類・96／79／71%・14倍・97倍・12/12の数字と実装先の記述がその要旨にあることを確認した。論文本文（PDF）は本記事では読んでおらず、3シナリオの中身とタスクの定義は確認していない。

シナリオの中身や使用LLMは未記載

• 3つの企業シナリオの内容と、タスク完了率の判定基準
• 使ったLLMと、比較実験の試行回数
• 一般の利用者がこの仕組みを使える製品があるか（要旨は「配備済みのプラットフォーム」とだけ）

出典はAppleの研究ページ

• Apple Machine Learning Research「Shared Selective Persistent Memory for Agentic LLM Systems」（2026年9月16日）
• 本記事は論文本文の詳細を確認したら追記する