AIチャットボットやAIエージェントを使っていて、「なぜ前に話したことを覚えていないの？」と感じたことはありませんか？大規模言語モデル（LLM）は基本的に「健忘症」であり、新しい会話が始まるたびに過去のやり取りを忘れてしまいます。この問題を解決するのがMemoriです。
Memoriは、AIエージェントに「長期記憶」を持たせるためのApache 2.0ライセンスのオープンソースPythonライブラリです。GibsonAIが開発したこのライブラリにより、LLMアプリケーションはセッションをまたいだ会話の文脈を記憶し、ユーザーごとにパーソナライズされた体験を提供できるようになります。
この記事では、Memoriの仕組み、導入方法、実践的な使い方、そして類似ライブラリとの比較まで、開発者向けに徹底解説します。AIエージェントをよりスマートに、より人間らしく進化させたい方は、ぜひ最後までお読みください。
LLMの「健忘症」問題とは何か
まず、なぜメモリ管理が必要なのかを理解しておきましょう。ChatGPTやClaudeなどの大規模言語モデルには、根本的な限界があります。
コンテキストウィンドウの制限
LLMには「コンテキストウィンドウ」と呼ばれる処理可能なテキスト量の上限があります。そのため、会話が長くなると古い情報から順に切り捨てられていきます。昨日話したこと、先週決めたことは、新しいセッションでは完全に忘れられてしまいます。
ステートレスな設計
標準的なLLMアプリケーションは「ステートレス」（状態を持たない）設計になっています。各リクエストは独立して処理され、過去の会話の文脈は保持されません。これはシンプルなQ&Aボットでは問題なくても、継続的なユーザーサポートやパーソナルアシスタントを構築する際には大きな障壁となります。
学習と進化の欠如
純粋なLLMは、過去のインタラクションから学んだり、自身の行動を改善したりする能力がありません。ユーザーが何度同じことを言っても、毎回「初めまして」の状態からスタートしなければなりません。
Memoriの基本概念とアーキテクチャ
Memoriは、これらの問題を解決するために設計されたメモリエンジンです。そのアーキテクチャを理解しましょう。
二段階メモリパイプライン
Memoriは、会話から重要な情報を抽出し、整理し、必要なときに検索するという二段階のパイプラインで動作します。会話履歴全体を保存するのではなく、最も重要な事実だけを効率的に抽出・保存することで、トークン使用量とレイテンシを最小限に抑えます。
SQLネイティブなストレージ
Memoriの大きな特徴は、SQLデータベースをネイティブにサポートしている点です。SQLite、PostgreSQL、MySQLなど、既存のデータベースインフラをそのまま活用できます。ベクトルデータベースを新たに導入する必要がないため、組織の既存インフラに簡単に統合できます。
LLM・フレームワーク非依存
Memoriは特定のLLMやフレームワークに依存しません。OpenAI、Anthropic、ローカルモデル（LiteLLM経由）など、あらゆるLLMと組み合わせて使用できます。また、LangChain、CrewAI、LangGraphなどの主要なフレームワークともシームレスに連携します。
Memoriの主要機能
Memoriが提供する主要な機能を詳しく見ていきましょう。
短期記憶と長期記憶
Memoriは人間の記憶と同様に、短期記憶と長期記憶の両方を管理します。最近の会話は短期記憶として即座にアクセス可能な状態で保持され、重要な情報は長期記憶として永続的に保存されます。
セマンティッククラスタリング
似た内容の記憶を自動的にグループ化（クラスタリング）します。これにより、関連する記憶を効率的に検索し、文脈に合った情報を迅速に取得できます。
メモリ減衰と強化
人間の記憶と同様に、使われない記憶は徐々に「減衰」し、頻繁にアクセスされる記憶は「強化」されます。これにより、実際に重要な情報が優先的に保持され、ストレージを効率的に管理できます。
エンティティとプロセスの属性化
Memoriは、記憶を「誰の」「どのプロセスによる」ものかを明確に属性化します。entity_id（ユーザーや顧客）とprocess_id（AIエージェントやプロセス）を指定することで、複数のユーザーやマルチエージェントシステムでも記憶を適切に分離・管理できます。
Memoriの導入方法
Memoriの導入は非常にシンプルです。pipコマンド一つでインストールでき、すぐに使い始められます。
インストール
ターミナルで pip install memori を実行するだけでインストール完了です。必要な依存関係もすべて自動的にインストールされます。
基本的なセットアップ
OpenAIのAPIと組み合わせる場合の基本的なセットアップは非常にシンプルです。OpenAIクライアントを作成し、Memoriに登録するだけで、以降のすべてのLLMリクエストが自動的にメモリ管理の対象となります。
属性化の設定
Memoriが記憶を正しく管理するためには、属性化（attribution）の設定が必要です。entity_idにはユーザーを識別するIDを、process_idにはエージェントやボットの名前を指定します。これにより、誰の記憶かを明確に分離できます。
実践的な使用例
Memoriが実際のアプリケーションでどのように活用できるか、具体的な例を見ていきましょう。
カスタマーサポートボット
カスタマーサポートにおいて、顧客が同じ問題を何度も説明し直さなければならないのは大きなストレスです。Memoriを導入すれば、過去の問い合わせ内容、購買履歴、過去に試した解決策などを記憶し、「前回の続き」としてシームレスに対応できます。
営業CRMボット
営業チーム向けのAIアシスタントは、顧客ごとの商談履歴、反論対応、案件ステージなどを記憶します。「この顧客は以前価格に懸念を示した」「先月のデモで機能Aに興味を示した」といった情報を踏まえた提案が可能になります。
パーソナルリサーチアシスタント
研究者やアナリスト向けのAIアシスタントは、ユーザーが読んだ論文、収集したノート、関心のあるトピックなどを長期にわたって記憶します。数ヶ月後に「以前読んだあの論文のこと」と言えば、すぐに関連情報を引き出せます。
旅行プランナー
食事制限、好みの航空会社、過去の旅行先などを記憶する旅行プランナーボットを構築できます。「いつものように」という指示だけで、ユーザーの好みに合った旅行プランを提案できるようになります。
類似ライブラリとの比較
AIエージェントのメモリ管理ライブラリはいくつか存在します。Memoriの位置づけを理解するために、主要な代替ライブラリと比較してみましょう。
Mem0（mem0ai）
Mem0は最も有名なAIメモリライブラリの一つです。クラウドサービスとしても提供されており、SOC 2やHIPAAにも対応しています。一方、Memoriは完全にローカルで動作し、既存のSQLDBとの統合に優れています。
Memoripy（caspianmoon）
Memoripyはローカルストレージに特化したメモリライブラリです。プライバシーに敏感なアプリケーションに適しています。機能的にMemoriと似ていますが、Memoriはより豊富なデータベース連携オプションを提供します。
LangChain Memory
LangChainには組み込みのメモリ機能（ConversationBufferMemoryなど）がありますが、基本的にはセッション内のメモリに限定されます。長期的なメモリ管理には、Memoriのような専用ライブラリとの組み合わせが効果的です。
Memoriの導入における考慮事項
Memoriを本番環境で導入する際には、いくつかの考慮事項があります。
プライバシーとデータ保護
ユーザーの記憶を保存するということは、重要なプライバシー上の考慮が必要です。GDPRなどの規制に対応するため、ユーザーの同意取得、データ削除機能、データ保持ポリシーの明確化が必要です。
矛盾する情報の処理
ユーザーが以前の情報を訂正したり、好みが変わったりすることがあります。システムが矛盾する記憶を一時的に保持する可能性があるため、新しい情報を優先するロジックの実装が推奨されます。
プロンプトの最適化
デフォルトのプロンプト設定がすべてのユースケースに最適とは限りません。特定のドメインやタスクに合わせて、記憶抽出や検索のプロンプトをカスタマイズすることで、より良い結果が得られます。
まとめ：AIの記憶が変えるユーザー体験
Memoriは、AIエージェントやLLMアプリケーションに「記憶」という根本的な能力を与える画期的なライブラリです。ステートレスなLLMをステートフル（状態を持つ）なエンティティに変換し、ユーザー一人ひとりにパーソナライズされた体験を提供できるようになります。
主な特徴として、SQLネイティブなストレージ、LLM・フレームワーク非依存、セマンティッククラスタリング、メモリ減衰・強化など、人間の記憶に似た機能を備えています。Apache 2.0ライセンスのオープンソースであり、自由にカスタマイズして利用できます。
「二度と同じ文脈を繰り返さない」というMemoriのキャッチフレーズが示すように、AIが本当の意味で「覚えている」存在になれば、ユーザー体験は劇的に向上します。カスタマーサポート、パーソナルアシスタント、営業CRMなど、ユーザーとの継続的な関係構築が求められるアプリケーション開発で、Memoriの導入を検討してみてはいかがでしょうか。
