株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
AIエージェントメモリとは|セッション越えで状態を持続させる仕組み
AIエージェントメモリ(AI Agent Memory)は、LLMが過去の対話・ユーザー嗜好・学習事項・タスク文脈をセッションを越えて保持・想起する仕組みです。LLMの素のコンテキストウィンドウは「短期記憶」に過ぎず、セッションが終わると揮発します。継続的な会話・パーソナライズ・長時間タスクを支えるには、外部メモリ層が不可欠です。
Mem0/Zep/Letta(旧MemGPT)/LangMem等は、長期記憶を扱うための製品・ライブラリですが、保存構造と利用する分類は同一ではありません。LOCOMOベンチマークの原論文は2024年2月27日に初公開され、ACL 2024に掲載されました。LongMemEvalは別の長期会話評価です。製品を比較する際は、方式・回答モデル・履歴投入・採点条件をそろえます。本記事ではメモリの3分類(Episodic/Semantic/Procedural)、4主要フレームワーク比較、Vector vs Graphの2系譜、そして「AIエージェントメモリ設計7原則」を解説します。
関連: AgentOps、Context Engineering、エージェント設計パターン、Function Calling。
メモリの3分類|認知科学にならった整理
| 分類 | 定義 | 例 |
|---|---|---|
| Episodic Memory | 具体的な過去の出来事・対話 | 「先週の打ち合わせで○○と話した」 |
| Semantic Memory | 事実・嗜好・知識 | 「ユーザーは野菜が好き」「技術的にはPython推し」 |
| Procedural Memory | 行動を制御する手順・指示。嗜好の事実とは区別する | 「回答前に会話履歴を確認し、結論と必要な根拠を短く示す」という実行指示。簡潔な回答を好むという事実の保存はSemantic Memory |
LangMemの概念ガイドは、事実・嗜好をSemantic、過去の経験をEpisodic、行動を制御する指示をProceduralとして整理しています。これは記憶の内容・役割の分類であり、全フレームワークが内部に同じ3層を実装する業界標準ではありません。ユーザー等の管理スコープ、Vector/Graph等の保存・検索方式、コンテキスト内外の配置とは別に設計します。
メモリの2系譜|Vector Store vs Knowledge Graph
| 方式 | 代表 | 特徴 |
|---|---|---|
| Vector Storeベース | Mem0 / Letta / MemoRAG | 埋め込み類似度検索、高速・実装容易、関係性表現は弱い |
| Knowledge Graphベース | Zep / Memary / Cognee | エンティティ+関係+時間モデリング、関係性強い、運用負荷高 |
| ハイブリッド | Mem0(v2)等 | Vector + Graph + KV を統合 |
主要フレームワーク詳細比較(2026年)
Mem0|パーソナライゼーション特化のミドルウェア
- 3スコープ(User/Session/Agent)のメモリ管理
- Vector + Graph + KV のハイブリッドストア
- 自己改善機能(重複統合・圧縮・要約)
- 商用利用しやすいライセンス、コミュニティ大
- ベンチマークの結果は、Mem0の実装版・履歴投入・回答モデル・評価方式を特定して読む。他方式やfull-contextの値を製品のスコアに転用しない
- 「ドロップインで使えるパーソナライゼーション層」として最も導入容易
Zep|Temporal Knowledge Graphベース
- 事実が時間とともにどう変わるかを追跡する時間軸付きナレッジグラフ
- 構造化された業務データと会話履歴を統合
- ベンチマークの結果は、Zepの実装版・方式・回答モデル・評価条件を特定して読む。条件の異なる値で製品間の差や現行版の優位性を示さない
- 関係性モデリング+時間推論が必要なエンタープライズに強い
- 運用負荷はMem0より高め
Letta(旧MemGPT)|OSメモリ管理にならったエージェントランタイム
- 旧MemGPT/LettaのCore・Archival・Recallは保存と参照範囲の整理で、Episodic・Semantic・Proceduralと一対一に対応する認知上の3層ではない
- Core Memory:V1 SDKでは関連付けたmemory blocksを入力文脈に置く
- Archival Memory:V1 SDKの意味検索できる外部保存。常時入力されず必要時にツールで取得
- Recall Memory:保存された会話履歴。履歴の保存と毎回のモデル入力を区別する
- エージェント自身が記憶を編集するランタイム。現Agent SDKは記憶をgit上のMarkdownファイルとして管理し、system/を毎回の入力へ、その他を必要時の読み取りへ分ける。V1 SDKの説明と現SDKの仕様を混ぜない
- 長時間実行エージェント向け
LangMem(LangChain)|LangChainネイティブ
- LangChain/LangGraphとシームレスに統合
- 長期記憶+短期記憶+セマンティック検索のセットアップが容易
- LangChain既存ユーザーに最適
その他注目
- Supermemory:ホスト型サービスとself-hostingの実行形態を区別。ローカルのembedding/LLM構成でオフライン運用が可能だが、URL取り込みのhosted reader、選択したcloud LLM、telemetry等の通信設定を確認する
- SuperLocalMemory:別の製品。Mode Aはローカルcore、Mode Bはローカルモデル、Mode Cは設定したendpoint/cloud providerを使用。保存がローカルでも、選択モード・回答チェック・外部連携による送信の有無は別に確認
- Memvid:動画的に時系列圧縮するアプローチ
- Hindsight:遡及的な学習を強調
- Cognee:OSSグラフメモリ
LOCOMOとLongMemEval|異なる長期会話評価を区別
LOCOMO(LOng COnversation MemOry)は2024年に初公開された長期会話メモリの評価研究です。LongMemEvalは2024年10月14日に初公開、ICLR 2025の別研究で、情報抽出・複数セッション推論・時間推論・知識更新・回答を控える能力を評価します。名称、質問/会話セット、メモリへの履歴投入方法、回答モデル、採点方式を揃えて比較してください。異なるデータセットや実行条件の結果を、同条件の製品比較として並べないでください。ベンチの数字だけで採否を決めず、自社ユースケースの評価を行います。
メモリ設計の重要原則
- すべてを覚える ≠ 良いメモリ:重要なものだけ残し、ノイズを圧縮するのが鍵
- 更新と忘却:古い事実が変わったら更新できる仕組み(Zepの時間軸グラフ等)
- プライバシー:ユーザー別の分離と削除・利用停止等の処理を設計する。技術的に削除できることと法的な請求権・応答義務は同一ではない。GDPRと個人情報保護法は対象・要件・例外が異なり、無条件に同じ削除権を保証するとは扱わない。個人情報保護委員会の通則ガイドライン3-8-5に沿って請求の要件、必要な範囲、保存義務や代替措置を確認する
- 監査可能性:何を覚え、何を取り出したかをトレース可能に(Observability)
- コスト:メモリ更新もLLMコールが発生するため運用費に注意(FinOps for AI)
ユースケース別の選定マトリクス
| ユースケース | 推奨フレームワーク | 理由 |
|---|---|---|
| パーソナライズ・ユーザー嗜好記憶 | Mem0 | ドロップイン容易・3スコープ管理 |
| 時間推論・関係性追跡 | Zep | Temporal Knowledge Graph |
| 長時間実行エージェント・自律記憶管理 | Letta | 自律的な記憶編集と文脈管理。V1/現Agent SDKの構造を区別 |
| LangChain/LangGraph既存環境 | LangMem | シームレス統合 |
| ローカル/プライバシー重視 | Supermemory/SuperLocalMemory | 別製品として比較し、self-hosting/選択モード・LLM/embedding・取り込み・外部連携の通信を確認 |
| OSS自前運用 | Cognee/Memary | カスタマイズ自由度 |
AIエージェントメモリ設計7原則
AIエージェント開発の実務で重視されるメモリ設計の要点を7つの原則として整理します。
(1) 必要性を先に検証する:全エージェントにメモリが必要なわけではありません。1セッション完結のタスクならContext Engineeringで十分。継続的パーソナライズや長時間タスクが必要な時だけメモリ層を導入します。
(2) Mem0から始める:商用利用容易・実装簡単・3スコープ管理・ハイブリッドストアを備えるMem0を出発点に、不足が見えたらZep/Letta/LangMemへ移行検討。「いきなり最強のZep」より段階導入の方が安全です。
(3) 時間推論が必要ならZep:「先月の合意は何だった?」「彼の役職はいつ変わった?」のような時間軸質問が頻出するなら、Temporal Knowledge GraphベースのZepが圧倒的に有利です。
(4) 長時間自律エージェントはLetta:エージェント自身がメモリを管理する必要がある「真のAgent型」(設計パターンガイド)はLettaのOS風3層が最適です。
(5) 「すべて覚える」設計にしない:メモリは重要なものだけ残し、ノイズは積極的に圧縮・削除します。Mem0の自己改善機能のように定期的な整理が品質を保ちます。
(6) プライバシー設計を最初から:ユーザー別メモリ分離・削除や利用停止等の処理・暗号化・監査ログを初日から設計し、法的な請求への対応は適用される各法の要件・例外に沿って行います。GDPR/個情法対応を後付けで実装するのは事故の温床です(セキュリティ)。
(7) 評価CIにLongMemEval系を含める:メモリの良し悪しは普通のRAG評価では計れません。LOCOMO/LongMemEval系の長期会話評価をGolden Setに追加し、フレームワーク変更時の劣化を検知します(RAG評価)。
よくある失敗パターン
- 必要ないのにメモリ層を導入:1セッション完結タスクで過剰投資
- すべて覚える設計:ノイズが膨らみ精度・コスト悪化
- 更新メカニズムなし:古い事実が放置されて誤情報源に
- プライバシー後付け:ユーザー別分離なしで法規違反リスク
- 評価なしで本番投入:メモリの効果が不明のまま運用
- フレームワーク選定の感覚判断:LongMemEval等の定量評価をしない
よくある質問(FAQ)
Q1. メモリ層は必須ですか?
用途によります。1セッション完結タスクなら不要、継続パーソナライズや長時間タスクには必要です。
Q2. Mem0とZepはどちらを選ぶべきですか?
シンプルなパーソナライズならMem0、時間推論+関係性追跡が重要ならZepという用途の候補分けから、履歴投入・更新/削除・検索・回答モデル・運用費を自社データで比較します。条件の異なるベンチマーク結果を製品の順位として選定根拠にしません。
Q3. Lettaは何が違うのですか?
Lettaはエージェント自身が記憶を編集し、入力文脈を管理する仕組みです。旧Core/Archival/Recallは保存・参照範囲の整理で、認知上のEpisodic/Semantic/Proceduralとは別です。現Agent SDKはMarkdownファイルをgitで管理し、system/を毎回の入力へ、それ以外を必要時に読ませます。利用するSDK版と機能を確認してください。
Q4. メモリのコストは高いですか?
更新時にLLMコールが発生するため通常のRAGより高くなりがちです。コスト上限SLOを必ず設定します。
Q5. renueはAIエージェントメモリ設計を支援していますか?
はい。フレームワーク選定・スキーマ設計・プライバシー設計・評価CI構築まで一貫して支援しています。
関連記事
- AgentOps完全ガイド2026
- コンテキストエンジニアリング完全ガイド2026
- AIエージェント設計パターン完全ガイド2026
- Function Calling完全ガイド2026
- GraphRAG完全ガイド2026
- FinOps for AI完全ガイド2026
- LLM Observability完全ガイド2026
- 生成AIセキュリティ完全ガイド2026
AIエージェントメモリ設計のご相談はrenueへ
renueは複数のAIエージェント事業を自社運用するAIエージェント開発企業として、メモリフレームワーク選定・スキーマ設計・プライバシー設計・評価CI構築までワンストップで支援しています。継続的パーソナライズや長時間タスクのエージェントでお困りの方はお気軽にご相談ください。
本記事の参考情報
- Atlan: Best AI Agent Memory Frameworks 2026 — Mem0, Zep, LangChain, Letta
- Medium (Bobur): Top 10 AI Memory Products 2026
- DEV: Top 6 AI Agent Memory Frameworks for Devs 2026
- Letta: Benchmarking AI Agent Memory
- DEV: 5 AI Agent Memory Systems Compared — 2026 Benchmark
- Mem0 Blog: State of AI Agent Memory 2026
- IBM Think: AIエージェントのメモリーとは
- AX: LLMの長期記憶とは(2026年)
- Zenn yasuhito: AIエージェントのメモリ系プロジェクト比較(2026年1月)
- Zenn deskrex: MoatになりうるAIエージェントのメモリデザインパターン

