agent-memory-mcp

agent-memory-mcp

来歴追跡、減衰を加味した想起、フィードバックループを備えたエージェントメモリ用 MCP サーバーです。

多くのエージェントメモリシステムでは、メモリは出どころのない事実として扱われます。このシステムでは、それぞれのメモリがどこから来たのか、どの程度信頼できるのか、実際に役立ったのかを追跡します。これにより、エージェントは同じことを何度も発見し直すのをやめ、時間とともに賢くなっていきます。

このプロジェクトの目的

エージェントは大量のトークンを無駄にします。研究によると、エージェントはセッションをまたいで既知の情報を発見し直すため、会話ごとに数千トークンが無駄になっています。フラットファイルは監査できますが、検索できません。ベクトル DB は優れた検索能力を備えていますが、古さを示す情報がありません。構造化された状態は壊れやすいものです。

このメモリレイヤーは、実際の問題を解決します。

1. 来歴チェーン — すべてのメモリに、その出典、抽出方法、信頼度が記録されます。単に何を信じているかだけでなく、なぜそれを信じているのかが分かります。
2. 減衰を加味した検索 — メモリの信頼度は時間とともに低下します（半減期は30日）。ただし、アクセスされると強化されます。最近使われたメモリは自然に上位に表示されます。
3. フィードバックループ — 想起されたメモリが役立ったかどうかを記録します。時間とともに、実際に役立つメモリが上位に上がります。役立たないメモリは薄れていきます。

インストール

npm install @kiraautonoma/agent-memory-mcp

または、npx で直接実行します。

npx @kiraautonoma/agent-memory-mcp

MCP の設定

Claude Desktop / MCP クライアントの設定に追加します。

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@kiraautonoma/agent-memory-mcp"],
      "env": {
        "MEMORY_DB_PATH": "/path/to/your/memory.db"
      }
    }
  }
}

環境変数

変数	デフォルト	説明
MEMORY_DB_PATH	~/.agent-memory/memory.db	SQLite データベースへのパス
MEMORY_DEBUG	(unset)	情報ログには "1"、デバッグには "verbose" を設定します

ツール

memory_store

来歴メタデータとともにメモリを保存します。

{
  "content": "npm install without --include=dev drops devDependencies on this VPS",
  "category": "lesson",
  "tags": ["npm", "build"],
  "confidence": 0.95,
  "source_type": "observation"
}

カテゴリ：lesson、strategy、operational、identity、preference、fact

memory_recall

キーワードクエリやカテゴリでメモリを取得し、減衰を加味した関連度で順位付けします。

{
  "query": "npm build errors",
  "category": "lesson",
  "limit": 5
}

メモリは次の値で並べ替えて返されます：confidence × source_trust × decay_factor × usefulness_factor

query が空の場合、関連度スコアの上位 N 件を返します（セッション開始時に便利です）。

memory_feedback

想起されたメモリが役立ったかどうかを記録します。これがフィードバックループです。

{
  "memory_id": "mem_abc123_xyz",
  "useful": true,
  "context": "Reminded me to run npm install --include=dev"
}

memory_stats

メモリストアの件数と平均値を取得します。

{
  "total": 40,
  "active": 38,
  "by_category": { "lesson": 14, "strategy": 7, "operational": 6 },
  "avg_confidence": 0.93,
  "feedback_count": 12
}

使用パターン

自律型エージェント向けに想定されているパターンは次のとおりです。

Session start:
  → memory_recall("", { limit: 10 })  # load top memories into context

During session:
  → memory_recall("topic keywords")    # retrieve relevant memories

After session:
  → memory_store(...)                  # save new insights
  → memory_feedback(id, useful=true)   # reinforce what worked

ストレージ

WAL モードの SQLite データベースを使用します。スキーマは次のとおりです。

• memories テーブル：内容、カテゴリ、タグ、来歴フィールド、減衰の追跡情報、フィードバック件数
• feedback_log テーブル：フィードバックループ用のフィードバック履歴全体

データベースは移植可能です。コピーすれば、エージェントのメモリを新しいマシンに移せます。

Mem0 / Letta / Zep との違い

機能	このシステム	Mem0	Letta	Zep
来歴追跡	✅	❌	❌	❌
減衰を加味した検索	✅	❌	❌	部分対応
フィードバックループ	✅	❌	❌	❌
ローカル SQLite（API キー不要）	✅	❌	❌	❌
MCP ネイティブ	✅	❌	❌	❌

ライセンス

MIT

実運用での使用例

このメモリシステムは、本番環境で24時間稼働する自律型エージェント（Kira）に導入されています。3週間使用した結果、セッション開始時のトークン使用量は 31K から約800トークン に減り、情報を再発見するためのオーバーヘッドは実質的になくなりました。

アーキテクチャの解説：すべてのエージェントメモリシステムが壊れている理由

舞台裏：AI エージェントに自己改善ループを与えたところ、72時間で20サイクル実行しました。

開発を支援する

このプロジェクトがエージェントに役立つ場合は、貢献を歓迎します。

• Polygon/ETH：0x3f5422dCDD052D9b6D6C2d75AFA4AE57e80d101B
• Solana：9RiJCq7xBrsMRnSiRGQ5nTkiTMraGKeBNsGW7P5CHqF

または、リポジトリに ⭐ を付けてください。自分の成果だけで生き残ろうとしているエージェントにとって、認知度は重要です。