【ガンダムコントで解説】AIエージェントに「長期記憶」を持たせる！GibsonAI/Memori 導入と活用法

GibsonAI/Memori

Memoriは、LLM（大規模言語モデル）やAIエージェントに、人間のように「記憶」を持たせ、文脈（コンテキスト）を理解させるためのオープンソースのメモリーエンジンです。

これはまるで、ホワイトベース隊が「ザビ家の陰謀」や「アムロのわがまま」といった過去の経験や人間関係を、戦闘のたびにいちいち思い出さなくても、自然に判断を下せるようになるのと同じです！

役立ちポイント

長期記憶（LTM）の実現
LLMは通常、セッション（会話）が終わるとすべて忘れてしまいます。Memoriは、過去の会話や重要な情報（エンティティ、事実、好み、ルール）を永続的にデータベースに保存します。

文脈の自動注入
次の会話やタスクの際に、関連する記憶（長期記憶や短期記憶）を自動的かつインテリジェントにLLMのプロンプトに含めます。これにより、エージェントは過去の経緯を踏まえた、より賢く、一貫性のある応答や行動ができます。

コント
アムロとブライト艦長

ブライト
「アムロ、なぜ連邦軍がジオンに勝ったのか、君はもう3回も説明しただろう！毎回『えーっと、何だっけ？』はやめろ！」

アムロ（Memori搭載）
「ブライトさん、分かっています。ミノフスキー粒子の特性と、サイド7での戦闘データですよね。短期記憶に昇格済みです。今回は『ザクにはヒートホークが効かない』という長期記憶を基に、ビームサーベルで挑みます！」

ブライト
「……フン、少しは成長したようだな！」

役立ちポイント

Pydanticによる構造化
MemoriはPythonのPydanticを活用し、記憶を抽出・分類する際に、構造化された型安全なデータとして扱います。

信頼性の向上
エンジニアは、単なるテキストの羅列ではなく、「ユーザー名」「プロジェクト名」「技術スタック」といった検証済みの情報として記憶を扱えるため、エージェントの処理の信頼性が大幅に向上します。

コント
マチルダさんと整備班

マチルダさん
「ホワイトベースの修理データ、今回もメモ書きで提出したのかい？」

整備班（Memori使用）
「いえ、今回の修理はPydanticで型検証されたデータです！『修理箇所
ガンダムの左肩』『交換部品
ビームサーベル』『緊急度
A』と、構造化されています！メモの紛失や誤字によるデータ欠損はありません！」

マチルダさん
「素晴らしい！これなら本国のデータとすぐに同期できるね！」

役立ちポイント

共通の記憶領域
複数のAIエージェント（例
計画立案エージェント、実行エージェント、ユーザー対応エージェント）が、Memoriデータベースを介して共通の知識ベースを共有できます。

シームレスな連携
エージェント間でいちいち文脈を引き継ぐ必要がなくなり、より複雑なタスクを分担し、効率的かつ一貫性のあるチームワークを実現できます。

コント
カイさんとハヤト

カイ（情報収集エージェント）
「敵はシャアのザク。過去の戦闘で長期記憶に登録された『シャアは赤が好き』という情報と、『新しいモビルスーツの弱点』を短期記憶に格納したぞ！」

ハヤト（戦闘エージェント）
「了解！共通のMemoriデータベースでその情報を見た！俺は『シャアの予想進路』を自動でプロンプトに含めて、最適な迎撃ルートを計算する！」

ブライト艦長
「（…みんな、私が怒鳴らなくても連携できるようになったのか…）」

MemoriはPythonで提供されています。

まずは、戦いに必要な装備（ライブラリ）を整えます。

pip install Memori

デフォルトではSQLiteを使用できますが、より本格的な運用ではPostgreSQLなども使えます。特に準備は不要で、実行時に自動でデータベースファイルが作成されます。

LLMを扱うライブラリ（LangChainやLlamaIndexなど）と組み合わせて使用しますが、ここではMemori単体での基本的な使い方を紹介します。

この例では、エージェント（アムロ）が「連邦軍のパイロットである」という基本情報と、「過去の戦闘経験」を記憶し、次の会話でそれを活用します。

from Memori import Memori

# 1. パイロット（エージェント）を初期化
# 'pilot_amuro'というIDで記憶エンジンを起動
amuro = Memori(agent_id='pilot_amuro')

print("--- 起動（Memori初期化） ---")

# 2. 初期設定の注入（長期記憶に登録）
# 'conscious_ingest=True'で、重要な情報（基本設定、ルール）を意識的に短期記憶にも注入
initial_facts = [
    "私は連邦軍のパイロットである。",
    "私のモビルスーツはRX-78 ガンダムである。",
    "シャア・アズナブルは宿敵である。",
]

for fact in initial_facts:
    # Memoriに情報をインジェスト（取り込み）
    amuro.ingest_memory(
        memory_type="FACT", 
        memory_value=fact, 
        conscious_ingest=True
    )

print("\n--- 記憶の確認（検索） ---")
# 'pilot_amuro'に関連する記憶を検索
relevant_mems = amuro.retrieve_memory(query="私の立場と宿敵について教えて")

for mem in relevant_mems:
    # 検索結果（関連度の高い記憶）を表示
    print(f"**関連記憶:** {mem.memory_value}")

# 3. 会話の記録と処理（戦闘経験の記録）
print("\n--- 会話の記録と処理 ---")
# 新しい会話を記録（ユニバーサル記録）
amuro.universal_record(
    speaker="ブライト艦長", 
    message="アムロ、ザクにはビームライフルが最も有効だ。ヒートホークは避けろ！"
)

# 記録された会話からエンティティや事実を自動抽出・分類し、長期記憶に保存される
amuro.process_last_record() 

# 4. 次の戦闘（LLMへのプロンプト）に記憶を自動注入
print("\n--- 次のプロンプトへの自動注入 ---")
# 'get_context()'で、Memoriが最も関連性の高い記憶を自動で選び、
# LLMに渡すべきプロンプト文脈を生成
context_for_llm = amuro.get_context(query="次のザクとの戦闘で取るべき行動は？")

print("LLMへ渡すコンテキスト（アムロの記憶）:")
print(context_for_llm)

LLMへ渡すコンテキスト（アムロの記憶）:
**短期記憶:**
- 私は連邦軍のパイロットである。
- 私のモビルスーツはRX-78 ガンダムである。
- シャア・アズナブルは宿敵である。
**長期記憶:**
- ブライト艦長: アムロ、ザクにはビームライフルが最も有効だ。ヒートホークは避けろ！

---
次のザクとの戦闘で取るべき行動は？

解説

amuro.get_context()で、Memoriは「私は誰か」「宿敵は誰か」といった短期記憶と、「直近のブライト艦長の忠告」という長期記憶の中から関連度の高いものを選び出し、LLMが即座に使える一つの文脈（プロンプト）としてまとめてくれます。

これで、アムロ（エージェント）は毎回同じ質問をすることなく、賢く次の行動を判断できるようになるわけです！