ケーススタディ：77％のエンティティが失われた後、100％回復

LLMの会話がコンテキストウィンドウを超えると、プラットフォームはそれを要約してしまい情報が失われる。我々は自社のプロダクション向けマルチエージェントデプロイメントでこの現象を測定した。標準的なコンパクションでは名前付きエンティティ（人物、決定、ツール、日付など）の77%が失われた。90分前に話し合われた決済プロセッサの統合について尋ねられたが、エージェントは「わかりません」と答えた。

We replaced compaction with a three-layer recall architecture over structured memory: entities survive in full, and the agent retrieves exactly what the current turn needs, on demand.

The result, measured across more than 16,000 messages on two production agent instances: 100% recovery of prior decisions (versus 43% without), while a 46 MB session compresses into 35 kB of working context — a 99.94% reduction in token load. The conclusion of the published paper stands: don't pay for a better model, pay for better memory.

The full methodology, including a review of 27 recent papers from Western, Chinese, Korean and Japanese research groups, is published as an open paper by GLG, a.s. (March 2026) — including Korean and Chinese editions.