tigerless-labs/agent-memory

agent-memory は、AI エージェントにセッションをまたいで持続するメモリを提供します。セッション終了時にエージェントが学習したことをすべて忘れる代わりに、このシステムはメモリをプレーンな Markdown ファイルとして保存し、高速検索のためにインデックス化し、エージェントが必要な詳細レベルで正確に必要なものを取得できるようにします。

中核となるアイデア

ほとんどの AI アシスタント（Claude Code、Codex、Muse など）は、セッションが閉じるとすべてを忘れます。Agent-memory は、ディスク上にメモリのストアを保持することでこれを修正します。Markdown ファイルが唯一の真実の源であり、エージェントは ls や grep などのツールで直接読み取ることができます。インデックス（SQLite）は純粋にキャッシュとしてこれらのファイルの隣に配置されるため、実際のメモリを失うことなくインデックスを削除して再構築できます。

検索の仕組み

エージェントのコンテキストに大きなテキストの塊を貼り付ける代わりに、agent-memory は関連する Markdown ファイルのパスの短いリストを返します。各ヒットには 1 行の要約とスコアが含まれます。エージェントは、要約のみ、見出しのみ、本文全体、またはそのメモリにつながった生のソースメッセージなど、必要な深さでファイルを開きます。これにより、エージェントは実際に必要なものだけにコストを支払います。

主な機能

• メモリを見つける 3 つの方法 – セッション開始時に注入される決定的な MEMORY.md、ランク付けされた BM25 検索（オプションのベクトル検索付き）、およびプレーンなファイルシステム自体。1 つの方法が失敗しても、別の方法が捕捉します。
• 書き込みカバレッジは自動 – システムは自然な境界（セッション終了時など）でメモリを保存するため、エージェントはそれを覚えておく必要がありません。セッションの完全なコピーが最初にアーカイブされるため、蒸留器が何かを見逃しても何も失われません。
• ファイルが真実、インデックスは単なるキャッシュ – 知識を失うことなく .index/ を消去して再構築（mem rebuild）できます。これは約束ではなくテストによって強制されます。
• 独立した「管理」レイヤー – アイドル時間（夜間など）にシステムは統合、更新、削除提案を行いますが、削除は確認した場合のみ発生します。また、タイムトラベル想起（先週の時点で何を知っていたか？）もサポートします。
• ライブラリ内に API キーや LLM 呼び出しは不要 – 判断はホストエージェント自身の CLI から来るため、すべての書き込みがトランスクリプトに表示され、課金面がありません。

ストアのレイアウト

すべてが 1 つのディレクトリ（デフォルト ~/agent-memory-store）にあります。含まれるもの：

• MEMORY.md – メモリごとに 1 行のルートインデックス
• config.toml – すべての調整可能パラメータ
• decision/ – 実際のメモリファイル。メモリごとに 1 つ、タイプとグループで整理
• archive/ – 生のセッションと来歴証拠の追加専用コピー
• .index/ – 再構築可能な検索インデックスとアクセスログ
• .state/ – ランタイムブックキーピング（書き込みロックや蒸留ウォーターマークなど）

はじめに

Python 3.12+ と uv が必要です。チェックアウトからインストール：

git clone https://github.com/tigerless-labs/agent-memory.git
cd agent-memory
uv sync --all-packages

次にストアを初期化し、最初のメモリを書き込みます：

mem init
mem record --type decision --field project=agent-memory \
  --abstract "Markdown files are the single source of truth" \
  --body "Indexes are rebuildable caches."
mem recall "source of truth"

また、ワンライナーで Claude Code、Codex、または Muse に接続できます：

mem setup --host claude-code

機能しますか？

README には LongMemEval‑S（標準的なメモリ評価）でのベンチマークが含まれています。制限された干し草の山で、agent-memory は 52.9% のプール精度を達成し、MemCore は 35.8%、メモリなしでは 5.8% でした。また、クロスホストテストにも合格しています：あるホスト（例：Claude Code）によって書き込まれたメモリは、別のホスト（例：Codex）によって特定の詳細がそのまま見つかります。

正直さに関する注意

ベンチマーク数値は、テスト設定がより小さな干し草の山を使用するため、公開された LongMemEval スコアと直接比較できません。これは書き込み戦略の研究であり、スケール研究ではありません。プロジェクトはまた、完全な実験プロトコルと生データをリポジトリに同梱しているため、結果を自分で確認できます。

要するに：agent-memory は、クラウドサービスや API キーを必要とせず、所有するプレーンなファイルを使用して、AI エージェントがセッションをまたいで物事を記憶できるようにします。