aiming-lab/SimpleMem

解決する課題

SimpleMemは、LLMエージェントにおける長期メモリの非効率性を解決します。従来のシステムは、過剰なトークンを消費する冗長な対話履歴をそのまま保存するか、ノイズをフィルタリングするために低速でコストのかかる推論ループを使用するかのどちらかでした。SimpleMemは、高い情報密度でメモリを保存・検索する方法を提供し、エージェントが大幅に少ないトークン消費でより多くの情報を想起できるようにします。

仕組み

SimpleMemは、以下の3つの統合コンポーネントからなる統合メモリスタックとして機能します：

• SimpleMem (Text Core): 3段階のパイプライン（Semantic Structured Compression、Online Semantic Synthesis、Intent-Aware Retrieval Planning）を使用し、非構造化された対話を、照応関係と絶対タイムスタンプが解決された、コンパクトで自己完結した事実へと蒸留します。
• Omni-SimpleMem (Multimodal): エントロピー駆動型の選択的取り込み、漸進的検索（FAISS + BM25のハイブリッド）、およびクロスモーダル推論のためのナレッジグラフ拡張を使用して、メモリをテキスト、画像、音声、ビデオへと拡張します。
• EvolveMem (Self-Evolution): 自律的なリサーチループ（Evaluate $\rightarrow$ Diagnose $\rightarrow$ Propose $\rightarrow$ Guard）により、検索ハイパーパラメータを継続的に調整し、新しい検索次元（クエリ分解など）を発見して、時間の経過とともにパフォーマンスを向上させます。

対象者

複数のモダリティ（テキスト、画像、音声、ビデオ）にわたる長期的なクロスセッションメモリを必要とするLLMベースのエージェントを構築している開発者や、手動のハイパーパラメータ調整なしに検索パフォーマンスを最適化したい開発者向けに設計されています。

ハイライト

• マルチモーダル対応: テキスト、画像、音声、ビデオのメモリを処理します。
• 意味的ロスレス圧縮: 生の履歴と比較して、推論時のトークン消費を約30分の1に削減します。
• 自己進化型検索: LLM駆動のクローズドループプロセスを通じて、自身の検索設定を自動的に最適化します。
• 幅広い統合: Python統合、またはClaude DesktopやCursorなどのクライアント向けのMCP (Model Context Protocol) サーバーとして動作します。