こんにちは、Lena です。最近、"agent workflow memory" という言葉が builder の会話に何度も出てくるようになってきました。プロダクト名としてではなく、誰かが「ある同じ問題」を表現しようとして掴んでいる言葉として。それで、その裏側にある研究を読みに行きました。
読んでみて気づいたことを、整理して書いておきます。
まずは論文そのものを正確に押さえる
正式タイトル、著者、会議、発表年、公式リンク
論文タイトルは "Agent Workflow Memory"、著者は Zora Zhiruo Wang、Jiayuan Mao、Daniel Fried、Graham Neubig、所属はカーネギーメロン大学(CMU)と MIT。2024 年 9 月に arXiv で公開され、2025 年に ICML 2025 の poster として採択されています。本文・コード・benchmark データはすべて 公式 GitHub リポジトリ で公開されています。
ここを丁寧に書いておくのは、"agent workflow memory" というフレーズがかなり緩く使われているからです。agent 関連の記憶 feature であれば何にでも貼られてしまう言葉になっている。でも、この論文がやっているのは、それより遥かに具体的なことです。
キーワードから勝手に推測してはいけない
このフレーズは響きが広い——だから、agent のあらゆる記憶(会話履歴、RAG retrieval、ユーザー嗜好)を全部含んでいると思ってしまうかもしれません。違います。AWM は、成功した動作シーケンスから再利用可能なタスク routine を抽出し、それを未来のタスクで agent に戻して使わせること、それだけに集中しています。
……abstract を 2 回読んで、ようやくこの違いが腑に落ちました。
論文が扱おうとしている問題
なぜ agent は同じ workflow のミスを繰り返すのか
ここで手が止まりました。今の agent は、どのタスクも独立した出来事として扱います。月曜にフライト予約に成功した agent は、火曜にそれを引き継ぎません。毎回、ゼロから始める。
論文はそれをはっきり言い切っています——agent は「複雑化するタスクを解きほぐす鍵を掴めていない、つまり、似たタスク間で共有される再利用可能な workflow を抽出して学ぶ、ということができていない」。自分の成功から一般化できない。手筋のライブラリを作れない。ただ……毎回、まっさらに作業しているだけ。
チャット履歴を残しても memory にはならない
多くの builder は、会話履歴さえ残しておけば memory がある、と暗に前提しています。AWM 論文はその前提を真っ向から否定します。生の action trajectory は具体的すぎる。 そこには環境の細部、要素 ID、ページ状態が詰まっていて、context をまたぐと使い物にならない。コンテキストを越えて転用できるのは routine であって、生ログではありません。
これは、benchmark の結果を見るまで自分でも完全には掴めていなかった区別です。trajectory を全部見せても、底にあるステップが同じで環境が違うだけのタスクで agent は失敗する。記憶は存在している。ただ、使える形になっていないだけです。
核心のアイデアを平易に
何が保存されるのか
AWM が抽出するのは workflow——複数のタスクをまたいで現れる sub-routine の抽象記述です。各 workflow は goal(何を達成するか)と routine(一般的な手順)を持つ。録画を保存するというより、同じ料理を何度か作ったあとにレシピを書き起こす、というイメージのほうが近いです。
何が呼び出されるのか
agent が新しいタスクに出くわすと、AWM はそれまでに induce された workflow の中から関連するものがあるかを確認します。この選択はタスク駆動——workflow を片端から context に流し込んだりはしない。今の goal にマッチするものだけが load されます。これは重要で、context window は有限であり、無関係な workflow はノイズだからです。
何が再利用されるのか
呼び出された workflow は、action 生成の段階で高水準の指針として働きます。agent は各ステップで自分の判断をするのですが、workflow が「解の大まかな形」を教えてくれる。WebArena(現実的な web ナビゲーションタスクの benchmark)では、これが 51.1% の相対的な成功率向上につながりました。Mind2Web(137 の実サイト・2000+ タスクをカバーするデータセット)では、向上幅は 24.6% です。
……これは少し意外でした。数字が高いからではなく、構造的にこんなに単純な介入から、これだけの利得が出ること自体が、です。
自分で組みたい builder のための実装パターン
ここをチュートリアルにするつもりはありません。でも、agent を作っていてこの論文に興味があるなら、コア pattern がどう動くかを書いておきます。
何を記録するか
AWM は agent trajectory を観察します——タスク実行中に取られた一連の動作全体。offline モードでは、注釈済みの訓練サンプルを処理する。online モードでは、事前サンプルなしで agent 自身の test-time 経験から workflow を induce する。この二重モードの設計は、より広い agent memory 研究の流れ——過去データからも、ライブの経験からも学ぶシステム——と符合しています。
どの trajectory を学ぶに値するか
すべての trajectory が学習に値するわけではありません。AWM は、複数の成功 trajectory にまたがって繰り返し現れる sub-routine を識別することで workflow を抽出します。抽出はルールベースでも LLM ベースでも組める。論文の実験では LLM ベースのほうが性能が良かった——これは納得できます。同じことをやっていても、trajectory ごとに構文レベルでは違う形をしていることが多いからです。
取り出すときの条件
workflow は、現在のタスクの goal との類似度で取り出されます。agent はキーワードで workflow を検索したりはしない——マッチさせるのは高水準の目的のほうです。だから、ホテル予約から学んだ workflow が、底の interaction pattern が似ていればレストラン予約に役立つ可能性がある、ということになります。
再利用前の検証
ここで私は一度立ち止まりました。論文には、再利用 workflow に対する形式的な検証ステップは記述されていません。workflow は guidance として扱われていて、検証済みのプログラムではない。workflow が陳腐化していても、間違っていても、無関係でも、agent は依然としてそれに従う可能性がある。論文自身もこれを認めています——環境の動的な変化により、以前は有効だった workflow の動作が失敗することがある、と。
この制約をどれくらいの重みで見るべきか、私自身まだ判断がついていません。ただ、目を留めておく価値はあります。
既存ツールとの違い
Cursor、Claude、memory レイヤー、workflow trace
Cursor を使っているなら、その memory 系 feature——Rules、Automations 内の Memories、コミュニティ製の cursormemory のように session をまたいで context を残す仕組み——にもう気づいていると思います。これらは便利ですが、保存しているのは嗜好と pattern であって、抽象化されたタスク routine ではない。彼らが記憶しているのは あなたが何を好むか であって、ある種の問題をどう解くか ではない。
Claude 自身の memory システム も同じ路線——保持しているのはユーザーレベルの context で、workflow レベルの抽象ではありません。
AWM は別の階層にいます。コーディングスタイルは覚えないし、プロジェクト構造も覚えない。覚えているのは成功したタスク実行の「形」 で、次に似たタスクが来たときに、その形を agent に手渡す。これは本質的に違う種類の memory です。
これらのツール全体で私が繰り返し気にしている空白は——どれも、agent が学んだものを他の agent と共有させてくれない、という点です。ある agent が学ぶ、それでもそのメリットを得るのはその agent だけ。workflow はローカルに留まる。
論文が解いていないこと
陳腐化、trace 品質、ドメイン跨ぎ、ガバナンス
この節は、自分でしばらく考え込みました。論文は自分の限界に対して誠実で、その姿勢は尊重します。
陳腐化(stale memory)。 Web サイトは変わる。1 月に通った checkout ページの workflow が、6 月には通らなくなる、ということが起こる。AWM には workflow を自動で expire したり update したりする仕組みは組み込まれていません。一度 induce された workflow は、システムが再学習されるか、workflow ライブラリが手作業で剪定されるまで、そのまま居続けます。
Trace 品質の悪さ。 訓練 trajectory にノイズや誤りが多ければ、induce された workflow はその問題を引き継ぐ。garbage in, slightly-more-organized garbage out です。
ドメイン跨ぎの転移。 AWM は似たタスク種別の中ではよく汎化します——サイトをまたいでも、ドメインをまたいでも、baseline に対して 8.9〜14.0 ポイント絶対値で改善している。ただし、たとえば web ナビゲーションからコードデバッグへ workflow を持っていけるという証拠は論文にはありません。この抽象は task family の内側では成立する。本質的に違う領域には越えない。
ガバナンス。 どの workflow を信頼に足ると判断するのか。単 agent 系ならまだ管理可能です。multi-agent 系ではこれは本物の問いになる。論文は workflow の検証、品質スコアリング、アクセス制御を扱っていない——本来扱う必要もないし、それは論文の scope ではない。ただ、この pattern を production に乗せようとするなら、論文が答えていない部分の答えを自分で用意する必要があります。
……ここに私は何度も戻ってきます。論文は induction の問題はうまく解いている。management の問題——agent が数十、workflow が数百になったあとに何が起きるか——は、まだ完全に open です。
FAQ
Agent Workflow Memory の ICML 論文は何についての論文ですか?
agent の動作シーケンスから再利用可能なタスク routine を抽出し、それを将来のタスクで選択的に再利用する手法についての論文です。著者は CMU と MIT、ICML 2025 で発表。本文は arXiv にあります。
この ICML 論文が 2026 年の agentic workflow にとって重要なのはなぜですか?
agent が解決済みの問題を繰り返してしまうのは、production システムにおける最大級の効率の漏れだからです。AWM はそれを塞ぐための具体的な pattern を示しています。
論文の memory は実際の agent workflow の中でどう動きますか?
AWM は成功 trajectory から抽象的な workflow を induce し、保存し、似たタスクが来たときに関連するものを取り出します。訓練データを使うやり方(offline)と、agent 自身の test-time 経験だけを使うやり方(online)の両方が可能です。
この ICML 論文の核心的な実装アイデアは?
Workflow induction(再利用可能な routine を抽出)、selective retrieval(goal 類似度でマッチ)、dual-mode 運用(offline はデータあり、online はデータなし)。online モードはラベル付きサンプルを一切必要としません。
論文自身が挙げている agent memory の限界は?
環境が変わると workflow の動作は失敗し得ること。workflow の有効期限、web タスクを越えるドメイン跨ぎ、共有 workflow ライブラリのガバナンス——これらは論文の範囲外です。
個人 developer は今すぐこの論文を読んで実装すべきですか?
複数ステップのタスクを繰り返し実行するような agent を作っているなら、コア pattern を理解しておく価値はあります。簡略版——うまくいった手順を抽出し、保存し、次回取り出す——だけでも、エラー率と token コストを意味のある幅で下げられる可能性があります。
この先が指している方向
正直に書くと、この論文を読む前は「狭い学術練習」だろうと思っていました。読んでみたら、production の builder がそろそろ必要になる「設計 pattern」に近いものでした。問いは「agent に workflow memory が要るかどうか」ではない——明らかに要ります。問いは縁にあります:workflow が陳腐化するとき、複数 agent が同じ workflow を共有する必要があるとき、agent が workflow を信頼する前に「これがまだ有効か」を検証する必要があるとき。
論文はこれらの問題を解いたと主張していません。けれど induction の階層には、明確な形を与えてくれた。
……一つだけ、ずっと考えている空白があります。AWM は単一の agent が時間をかけて workflow を蓄えることを可能にする。でも、もしその知識が「伝播」できたら? ある agent の成功した修復が、ネットワーク内の他の agent にとっても再利用可能な資産——検証され、スコア付けされ、プロトコルを介して継承される——になれたら? ある一つのシステムの context window に閉じ込められず、と。
それはこの論文がやっていることではない。けれど、問題自身が指している方向ではあります。
もし、同じ種類の問題を解き直し続けている agent を組んでいるなら、EvoMap の GEP プロトコル がまさにこの空白に向き合っているところを見ておく価値はあるかもしれません——孤立した agent の学びを、ネットワークをまたいで共有可能で監査可能な進化資産に変える、という方向です。
この領域がどう動いていくか、引き続き観察します。
Previous Posts:
- Workflow memory に惹かれたなら、EvoSkills: Self‑Evolving Skills Proved が「持続的に再利用可能な能力」という方向を扱っていて、その場限りの agent 修正とは別の路線が見えます。
- なぜ多くの agent が今もセッション間で「運用上の知識」を失うのかを、もう一歩深く知るには、Hermes Agent vs EvoMap Agent Memory が session memory と移送可能な workflow memory の間にあるアーキテクチャ差を詳しく書いています。
- Workflow と memory と orchestration がどう組み合わさるのかを考えているなら、OpenHarness and GEP: Agent Stack Layers Explained が「ツールから再利用可能な進化資産まで」のスタックの地図を提示してくれます。
- 本稿の議論は Agent Skills vs GEP Assets: The Real Difference と自然に接続します——特に「agent が実際に保持し、継承できるものは何か」というところで。
- 「同じ修復を agent が何度も学び直す」という感覚に身に覚えがあるなら、ARC‑AGI‑3 and the Agent Learning Gap (GEP) は、今のシステムがなぜタスク間・agent 間で運用知識を持続的に蓄積できないのか、を掘り下げています。




