LycheeMem/LycheeMem

解決する課題

LycheeMemoryは、LLMエージェント向けの軽量な長期メモリ・フレームワークを提供し、コンテキストウィンドウの制限や、長い対話における重要な情報の喪失という問題を解決します。これにより、エージェントはセッションを越えて永続的かつ構造化されたメモリを維持できるようになり、トークン消費量とコストを削減しながら、想起の精度を向上させます。

仕組み

LycheeMemoryは、情報を4つの特化したストアに整理します：

• Working Memory: デュアル・スレッショルド・トークン・バジェットを使用して、アクティブな会話ウィンドウを管理します。制限に達すると、古いターンを要約アンカーに圧縮してスペースを確保します。
• Semantic Memory: SQLiteとLanceDBを使用して、情報を型付きの MemoryRecords（例：事実、好み、制約）として保存します。階層的なメモリツリーとRecord Fusion Engineを使用して、関連する情報を重複排除し、複合レコードにクラスタリングします。
• Procedural Memory: 再利用可能なスキルやメソッドを保存し、検索にはHyDE (Hypothetical Document Embeddings) を利用します。
• Visual Memory: 画像理解にVLMを使用し、クロスモーダル検索のためにデュアル・エンベディング（キャプションとCLIPビジュアル）を使用するマルチモーダル・モジュールで、ストレージ管理にはエビングハウスの忘却曲線を取り入れています。

システムは、エンコーディング、融合、および統合のための4つのモジュール・パイプラインを採用しており、オプションとしてトランスフォーマーベースのリランカーを使用して、意味的メモリ検索の精度を向上させることができます。

対象者

OpenClaw、Claude Code、Hermesなどを使用する、長期的な永続性を必要とするエージェント・システムを構築している開発者、およびPython APIまたはMCP (Model Context Protocol) を介してプラグアンドプレイのメモリ・バックエンドを必要とするすべてのユーザーを対象としています。

ハイライト

• マルチランタイム・サポート: OpenClaw、Claude Code、Hermes用のネイティブプラグインに加え、スタンドアロンのMCPサーバーを提供。
• 効率的なトークン管理: Working Memoryの圧縮とスマートな検索により、トークン消費量を削減（一部のベンチマークでは最大71%）。
• 意味的構造化: メモリを7つの異なるタイプ（事実、好み、イベント、制約、手順、失敗パターン、ツールの機能）に分類。
• マルチモーダル機能: テキストから画像、および画像からテキストの検索をサポート。
• アクション認識: 使用統計とアクション・結果のループを追跡し、将来の強化学習シグナルの種をまきます。