NirDiamant/Agent_Memory_Techniques

Agent memory for LLMs: 30 runnable Jupyter notebooks covering conversation buffers, vector stores, knowledge graphs, episodic and semantic memory, MemGPT, Mem0, Letta, Zep, Graphiti, LoCoMo benchmarks, and production patterns.

🧠 エージェントの記憶技術 – このリポジトリについて

記憶機能を必要とする LLM ベースのエージェントを構築するすべての人のための実践的な学習リソースです。

このリポジトリには、現代の LLM エージェントで使用される最も一般的（かつ最先端の）記憶パターンを実証する 30 個の完全に実行可能な Jupyter ノートブック が含まれています。単純な会話バッファから、Mem0、Letta、Zep、Graphiti といった本番グレードのフレームワークまでを網羅しています。各ノートブックは自己完結型で、Google Colab で開くことができ、その技術を自分のエージェントに組み込むために必要な正確なコードを示しています。

なぜ「エージェントの記憶」が重要なのか

LLM にはコンテキストウィンドウの制限があります。記憶戦略がなければ、エージェントは数ターン後にすべてを忘れてしまいます。
現実世界のエージェントは、セッション、ユーザー、さらには異なるタスク（例：パーソナルアシスタント、カスタマーサポートボット、自律型プランナー）をまたいで知識を保持する必要があります。
このリポジトリでは 30 の技術を 6 つのファミリーにグループ化しているため、自分の問題に最適なツールをすぐに見つけることができます：
1. 短期記憶 – 直近のターンを低コストかつ高速に保持します。
2. 長期記憶 – 事実、エンティティ、グラフ、エピソードログなどを保存します。
3. 認知アーキテクチャ – 層状、階層型、または内省的な記憶システム。
4. 検索とルーティング – 何をいつ思い出すかを決定します。
5. フレームワーク – すぐに使えるライブラリ（Mem0、Letta、Zep、Graphiti）。
6. 評価と本番運用 – ベンチマーク、モニタリング、デプロイパターン。

内容の概要

セクション	技術（ノートブックへのリンク）	学習内容
短期記憶	01‑05 – 会話バッファ、スライディングウィンドウ、要約、要約バッファ、トークンバッファ	コンテキストウィンドウの管理、トークン予算管理、オンザフライの要約。
長期記憶	06‑11 – ベクトルストア、エンティティ、ナレッジグラフ、エピソード、セマンティック、プロシージャル	エンベディングの永続化、エンティティストアの構築、ナレッジグラフの構築、生の出来事と抽出された事実・手順の分離。
認知アーキテクチャ	12‑19 – ワーキングメモリ、階層レイヤー、統合、圧縮、自己反省、ルーティング、時間的、忘却	人間に着想を得た記憶階層、自動昇格/降格、定期的な統合、忘却ポリシー。
検索とルーティング	20‑23 – 検索拡張、クロスセッション、マルチエージェントルーティング、ハイブリッド検索	適切な検索戦略（類似性検索、ハイブリッド、マルチエージェントディスパッチ）の選択。
フレームワーク	24‑27 – Graphiti, Mem0, Letta (MemGPT), Zep	上記のパターンの多くをすぐに実装できるプラグアンドプレイライブラリ。
評価と本番運用	28‑30 – ベンチマーク、モニタリング、デプロイパターン	記憶の有効性の測定方法、可観測性の設定、記憶機能付きエージェントの本番環境へのデプロイ。

クイックスタートガイド

リポジトリをクローン（またはバッジから Google Colab で直接ノートブックを開く）。
最小限の依存関係をインストール – README に python>=3.10 と一般的な Jupyter スタックが記載されています。ほとんどのノートブックは langchain、openai、faiss-cpu または chromadb（ベクトルストア用）、networkx（グラフ用）も使用します。
最初のノートブック 01_conversation_buffer_memory を実行して、最も単純なパターンを確認します。
README の 学習パス セクションに従って、プロジェクトに一致するファミリーにジャンプします（例：検索拡張チャットボットの場合は「長期記憶 → ベクトルストア」）。
本番環境の準備ができたら、CI テストやデプロイ用のスニペットを含む フレームワーク ノートブック（Mem0、Letta、Zep）を探索します。

対象読者

開発者：パーソナルアシスタント、カスタマーサポートボット、または時間の経過とともにコンテキストを保持する必要がある LLM 駆動のワークフローを構築している方。
研究者：ベンチマーク用に新しい記憶アーキテクチャ（Mem0、Letta など）の具体的な実装を求めている方。
教育者/学生：エージェントの記憶に関する視覚的でノートブック主導のカリキュラムを探している方。

技術スタックと要件

Python 3.10+
Jupyter notebooks（ローカルまたは Google Colab で実行）
コアライブラリ：langchain、openai（または互換性のある LLM API）、faiss-cpu/chromadb（ベクトルストア用）、networkx（グラフ記憶用）、およびフレームワークノートブック用の各 SDK（例：mem0-sdk、zep-python）。
Apache‑2.0 ライセンス – 自由に使用、変更、商用利用が可能。

成熟度とコミュニティ

リポジトリは積極的にメンテナンスされています（issue バッジ、貢献ガイド、Discord コミュニティあり）。
各技術には ✅ ノートブックバッジが付いており、コードがエンドツーエンドで実行可能であることを示しています。
著者はより深い学習のために有料コースや関連書籍も提供していますが、ノートブック自体は完全に機能し、オープンソースです。

結論： LLM エージェントに記憶を持たせる方法について、プロトタイプ作成から本番システムまで、コピー＆ペースト可能な具体的な例が必要な場合、このリポジトリは記憶戦略の全領域をカバーする簡潔で整理されたツールボックスです。