Mengram

実際に学習するメモリをAIエージェントに提供

ウェブサイト · APIキーを取得 · ドキュメント · コンソール · 使用例

pip install mengram-ai   # the CLI; JS SDK: npm install mengram-ai

mengram try              # see what memory would know about you — local only,
                         # no account, nothing leaves your machine

from mengram import Mengram
m = Mengram(api_key="om-...")           # Free key → mengram.io

m.add([{"role": "user", "content": "I use Python and deploy to Railway"}])
m.search("tech stack")                  # → facts
m.ask("what's my tech stack?")          # → synthesized answer + citations
m.episodes(query="deployment")          # → events
m.procedures(query="deploy")            # → workflows that evolve from failures

ネイティブな多言語対応：ロシア語、中国語、スペイン語、日本語で質問すると、Mengram が23言語にわたって検索し、回答します（Cohere の多言語埋め込み＋再ランキング）。

1つのプロンプトでインストール（あらゆるAIツールに対応）

これを Claude Desktop、Cursor、Codex、Claude Code、または Windsurf に貼り付けてください。エージェントがセットアップガイドを読み、SDKをインストールし、MCP サーバーを設定して、最初から最後までの一連の動作を検証します。ターミナルに切り替える必要はありません。

Install Mengram for me. Fetch the canonical install guide at
https://mengram.io/agent-install.txt and follow it precisely.
My email is YOUR_EMAIL_HERE.

シェル、ファイル編集、ウェブ取得のツールを備えたあらゆるエージェントで動作します。手動で設定したい場合は、プレーンテキストのガイドをご覧ください。人が読みやすい構成にもなっています。

Claude Code — /clear と自動コンパクション後も残るメモリ

/clear、自動コンパクション、マシンの切り替え、チームへの引き継ぎを越えて持続するメモリです。SessionStart フックはコンパクションのたびに実行され、コンテキストを再注入します。要約で情報が失われることはあっても、メモリは失われません。

# 1. Get a free key at https://mengram.io and save it once
mkdir -p ~/.mengram && echo '{"api_key": "om-your-key-here"}' > ~/.mengram/config.json

# 2. Install the plugin (hooks + MCP server + skill)
claude plugin marketplace add alibaizhanov/mengram
claude plugin install mengram@mengram

# 3. Skip the cold start — import your existing session history
#    (secrets are redacted on your machine before anything is uploaded)
mengram import claude-code

実行されること：

Session Start  →  Loads your cognitive profile (fires after /clear, compaction, and restarts)
Every Prompt   →  Searches past sessions for relevant context (auto-recall)
After Response →  Saves new knowledge in background (auto-save)
Before a Bash  →  If the command matches a learned workflow with a weak record, asks you first (policy gate, CLI hooks)
Before compact →  Writes the working state down — last prompts, files edited, last commands, where Claude left off (CLI hooks)
After compact  →  Puts that state back, verbatim, next to the host's summary — and tells you so in one line

手動で保存する必要はありません。ツールを呼び出す必要もありません。コンパクションで会話の記録が消えた後でも、Claude は昨日取り組んだことを把握しています。

プラグインではなくCLIでフックを管理したい場合は、pip install mengram-ai && mengram setup を実行すると、mengram hook install を通じて同じ設定が行われます。

Codex と Cursor でも同じメモリを共有

Codex と Cursor は同じライフサイクルイベントを発生させるため、同じフックが実行されます。つまり、3 つすべてで 1 つのメモリを共有できます。mengram setup はマシン上でそれらを見つけてフックをインストールします。または、1 つずつ追加することもできます。

mengram hook install --codex      # ~/.codex/hooks.json: session context, recall on every prompt, compaction checkpoint, auto-save + task card
mengram hook install --cursor     # ~/.cursor/hooks.json: session context, compaction checkpoint (back on the next tool call), auto-save

Cursor にはプロンプトごとのコンテキストフックがありません（beforeSubmitPrompt でできるのは許可またはブロックのみです）。そのため、会話の途中での呼び出しは MCP ツール経由で要求したときに行われます。セッション開始時とコンパクション時の処理は自動です。

すべての事実には、どのツールがいつ書き込んだかが記録され、呼び出し時に表示されます。例：deploys to Fly.io from main (codex, 2026-09-15)。各フックは、実行中の OS とツールもサーバーに伝えます。そのため、Mac で記録されたワークスペースのパスが Linux マシン上の Claude Code セッションに届くことはなく、Cursor の設定に関する事実が Codex に届くこともありません。こうした事実は除外され、件数が記録されます（facts_left_out_for_host）。

中断したタスクを続きから再開 — mengram resume

エージェントが停止すると、フックはリポジトリとブランチごとにタスクカードを書き込みます。カードには、変更したファイル、最後に実行したコマンド、最後に実行したテストとそのテストを実行したコミットに加えて、タスクについてのエージェントの下書き、完了したこと、残っていることが記載されます。翌日、同じブランチでの別のセッション、別のワークツリーにいる別のエージェント、別のマシンなど、次のセッションで最初にカードが渡され、前回の確認からコードが変更されている場合はその旨が伝えられます。独自のカードがないブランチ（たとえば新しい Orca ワークツリー）でのセッションには、カードが存在することだけが伝えられます。別のブランチのカードは、通常、別のエージェントのタスクに関するものだからです。mengram resume を実行すると、要求に応じてカードを表示できます。

$ mengram resume
[Mengram resume — where this task stands (2 h ago, from claude-code, branch main)]
Task (agent draft, not confirmed): prepare the Dify example for publication
Done:
  - three workflows assembled
  - save/recall round-trip checked through the API
Remaining:
  - import the workflows into Dify and check the model's answers
Last check: `python3 -m pytest -q tests/test_dify.py` → 4 passed in 0.31s
  The last check ran on 57cdde9; HEAD is now a1b2c3d (4 commits later). Its result describes the earlier state.
Files touched: examples/dify-support/workflow.yml
Sources: session 5d274778 · commit 57cdde9

mengram resume --open はローカルページを表示し、カードの修正、確認（確認済みのテキストは再び下書きされません）、別のタスクの選択、新しいセッション用のコンテキストのコピーができます。カードは ~/.mengram/resume/ に保存され、アカウントは不要です。モデルを使用するのは、タスク／完了事項／残作業の下書きだけです。

アカウントがなくても、フォルダーにメモリを保存

pip install mengram-ai
mengram local init ./memory --provider anthropic --api-key sk-ant-...   # or openai / ollama
mengram import claude-code --memory ./memory                             # seed it from your Claude Code sessions
mengram local map --memory ./memory --open                               # one page: who you are, what happened, what it learned
mengram hook install --memory ./memory                                   # the same four hooks, all local
mengram server --memory ./memory                                         # MCP for Claude Desktop, Cursor, any client

フォルダーそのものがメモリです。自分で管理する memfmt の Markdown ツリーで、git で差分を確認でき、Obsidian で表示でき、memfmt validate で検証できます。クラウド版と同じく、結果を伴う手順を保存します。バージョン、ステップごとの成功／失敗回数、ポリシーゲート、別のワークフローを壊す修正を隔離するリグレッションゲートが含まれます。モデルが必要なのは抽出と失敗時の改訂だけで、そのモデルは自分で用意します。期限切れになるものはなく、キーを要求されることもありません。ドキュメント。

ローカル検索はロシア語を含む Unicode テキストの単語に一致します。埋め込みを使用せず、クエリも翻訳しません。複数の Mengram セッションはフォルダーロックを使って書き込みを調整し、独立した追加内容をマージします。編集内容が競合した場合は、別のセッションの内容を上書きするのではなく、再読み込みが必要になります。変更された各ファイルはアトミックに置き換えられますが、フォルダー全体が単一のクラッシュアトミックなトランザクションになるわけではなく、外部エディターはロックに参加しません。

なぜMengramなのか？

AIのメモリツールはどれも事実を保存します。Mengramは3種類のメモリを保存し、手順は失敗すると進化します。

30秒で始める

1. インストール

pip install mengram-ai

2. セットアップ — 1つのコマンドですべて実行します：アカウント、Claude Code フック、検出されたツール（Cursor、Claude Desktop、Windsurf）用のMCP設定、履歴のインポート、往復チェック

mengram setup

または、mengram.ioでキーを手動で取得し、export MENGRAM_API_KEY=om-...を実行します

3. 使用

from mengram import Mengram

m = Mengram(api_key="om-...")

# Add a conversation — auto-extracts facts, events, and workflows
m.add([
    {"role": "user", "content": "Deployed to Railway today. Build passed but forgot migrations — DB crashed. Fixed by adding a pre-deploy check."},
])

# Search across all 3 memory types at once
results = m.search_all("deployment issues")
# → {semantic: [...], episodic: [...], procedural: [...]}

# Upload a PDF — auto-extracts memories using vision AI
result = m.add_file("meeting-notes.pdf")
# → {"status": "accepted", "job_id": "job-...", "page_count": 12}

# Poll for completion
m.job_status(result["job_id"])

// Node.js — pass a file path
await m.addFile('./report.pdf');

// Browser — pass a File object from <input type="file">
await m.addFile(fileInput.files[0]);

# REST API
curl -X POST https://mengram.io/v1/add_file \
  -H "Authorization: Bearer om-..." \
  -F "[email protected]" \
  -F "user_id=default"

npm install mengram-ai

const { MengramClient } = require('mengram-ai');
const m = new MengramClient('om-...');

await m.add([{ role: 'user', content: 'Fixed OOM by adding Redis cache layer' }]);
const results = await m.searchAll('database issues');
// → { semantic: [...], episodic: [...], procedural: [...] }

# Add memory
curl -X POST https://mengram.io/v1/add \
  -H "Authorization: Bearer om-..." \
  -H "Content-Type: application/json" \
  -d '{"messages": [{"role": "user", "content": "I prefer dark mode and vim keybindings"}]}'

# Search all 3 types
curl -X POST https://mengram.io/v1/search/all \
  -H "Authorization: Bearer om-..." \
  -d '{"query": "user preferences"}'

3種類のメモリ

セマンティック — 事実、好み、知識

m.search("tech stack")
# → ["Uses Python 3.12", "Deploys to Railway", "PostgreSQL with pgvector"]

エピソード — 出来事、決定、結果

m.episodes(query="deployment")
# → [{summary: "DB crashed due to missing migrations", outcome: "resolved", date: "2025-05-12"}]

手続き — 進化するワークフロー

Week 1:  "Deploy" → build → push → deploy
                                         ↓ FAILURE: forgot migrations
Week 2:  "Deploy" v2 → build → run migrations → push → deploy
                                                          ↓ FAILURE: OOM
Week 3:  "Deploy" v3 → build → run migrations → check memory → push → deploy ✅

失敗を報告すると、これは自動的に行われます：

m.procedure_feedback(proc_id, success=False,
                     context="OOM error on step 3", failed_at_step=3)
# → Procedure evolves to v3 with new step added

失敗に基づく改訂では、失敗したステップだけでなく、誤りだと判明した前提もすべて記録し、呼び出し時に手順とともに提示される事前条件を導き出します：

{
  "version": 3,
  "violated_assumption": "the build container had enough memory for a full build",
  "preconditions": ["check available memory before building"],
  "success_count": 11, "fail_count": 2
}

v3を読み込むエージェントは、それを生み出した2つの間違いを繰り返さず、ワークフローを信頼する前に何を確認すべきかも把握できます。

または完全に自動で実行できます。会話を追加するだけで、Mengramが失敗を検出し、手順を進化させます：

m.add([{"role": "user", "content": "Deploy failed again — OOM on the build step"}])
# → Episode created → linked to "Deploy" procedure → failure detected → v3 created

メモリに質問する（RAG組み込み）

m.ask()は、生の事実リストではなく、引用付きの統合された回答を返します。 Mengramはクエリを埋め込み、関連性の高い事実を上位から取得し、 Cohere Chatを使って、出典をネイティブに示す根拠に基づいた回答を作成します。

result = m.ask("what programming languages do I use?")

print(result["answer"])
# 'You use Python and Rust. Python is your daily language [1] and
#  Rust is your favorite [2]. You also know Java for enterprise
#  systems [3].'

for cit in result["citations"]:
    print(f'  "{cit["text"]}" → {cit["sources"][0]["fact"]}')
# "Python and Rust" → uses Python daily for backend development
# "favorite [2]"   → Rust is favorite language
# "Java"           → specializes in Java/Spring Boot

多言語対応：23言語のどの言語で質問しても、同じ言語で回答が得られ、引用から保存時の元の言語の事実に戻れます。プレミアム機能（Pro / Growth / Business）です。

認知プロファイル

1回のAPI呼び出しで、すべてのメモリからシステムプロンプトを生成します：

profile = m.get_profile()
# → "You are talking to Ali, a developer in Almaty. Uses Python, PostgreSQL,
#    and Railway. Recently debugged pgvector deployment. Prefers direct
#    communication and practical next steps."

あらゆるLLMのシステムプロンプトに挿入して、すぐにパーソナライズできます。

既存データのインポート

コールドスタート問題を解消します：

mengram import chatgpt ~/Downloads/chatgpt-export.zip --cloud   # ChatGPT history
mengram import obsidian ~/Documents/MyVault --cloud              # Obsidian vault
mengram import files notes/*.md --cloud                          # Any text/markdown

インテグレーション

mengram hook install

{
  "mcpServers": {
    "mengram": {
      "command": "mengram",
      "args": ["server", "--cloud"],
      "env": { "MENGRAM_API_KEY": "om-..." }
    }
  }
}

from langchain_mengram import (
    MengramRetriever,
    MengramChatMessageHistory,
)

retriever = MengramRetriever(api_key="om-...")
docs = retriever.invoke("deployment issues")

from integrations.crewai import create_mengram_tools

tools = create_mengram_tools(api_key="om-...")
# → 5 tools: search, remember, profile,
#   save_workflow, workflow_feedback

agent = Agent(role="Support", tools=tools)

openclaw plugins install openclaw-mengram

mengram hook install                        # auto-recall + auto-save in Claude Code
mengram import chatgpt export.zip --cloud   # bring your ChatGPT history
mengram rules --format claude_md            # CLAUDE.md from what memory knows
mengram local search "deployment"           # search a local memory folder

{
  "mcp_servers": [{
    "type": "url",
    "name": "mengram",
    "url": "https://mengram.io/mcp/sse"
  }]
}

POST https://mengram.io/v1/add
POST https://mengram.io/v1/search

マルチユーザー分離

1 つの API キーで複数のユーザーに対応し、それぞれが自分のデータのみを参照できます：

m.add([...], user_id="alice")
m.add([...], user_id="bob")

m.search_all("preferences", user_id="alice")  # Only Alice's memories
m.get_profile(user_id="alice")                 # Alice's cognitive profile

非同期クライアント

httpx を基盤とする、ノンブロッキングの Python クライアントです：

from mengram import AsyncMengram

async with AsyncMengram() as m:
    await m.add([{"role": "user", "content": "I use async/await"}])
    results = await m.search("async")
    profile = await m.get_profile()

pip install mengram-ai[async] でインストールします。

メタデータフィルター

メタデータで検索結果を絞り込みます：

results = m.search("config", filters={"agent_id": "support-bot", "app_id": "prod"})

Webhook

メモリーが変更されたときに通知を受け取ります：

m.create_webhook(
    url="https://your-app.com/hook",
    event_types=["memory_add", "memory_update"],
)

エージェントテンプレート

クローンし、API キーを設定して、5 分で実行できます：

cd examples/devops-agent && pip install -r requirements.txt
export MENGRAM_API_KEY=om-...
python main.py

AI エージェントでの使用

Mengram は、自律型エージェント向けの永続的なメモリーバックエンドとして機能します。エージェントが学習した内容を保存し、次回の実行時にそれを想起することで、時間とともに賢くなります。

from mengram import Mengram

m = Mengram(api_key="om-...")

# Agent completes a task → store what happened
m.add([
    {"role": "user", "content": "Apply to Acme Corp on Greenhouse"},
    {"role": "assistant", "content": "Applied successfully. Had to use React Select workaround for dropdowns."},
])
# → Extracts: fact ("applied to Acme Corp"), episode ("Greenhouse application"),
#   procedure ("React Select dropdown workaround")

# Next run → agent recalls what worked before
context = m.search_all("Greenhouse application tips")
# → Returns past procedures, failures, and successful strategies

# Report outcome → procedures evolve
m.procedure_feedback(proc_id, success=False,
                     context="Dropdown fix stopped working")
# → Procedure auto-evolves to a new version

CrewAI、LangChain、AutoGPT、独自のループなど、あらゆるエージェントフレームワークで使用できます。エージェントはアクション後に add() を呼び出し、判断前に search() を呼び出すだけです。

セルフホスト（Ollama）

Ollama でローカル実行する場合は、8B 以上のパラメーターと8K 以上のコンテキストウィンドウを持つモデルを使用してください。抽出プロンプトは約 4,000 トークンです。小規模なモデルでは、ハルシネーションが発生したり、例と実データが混同されたりする可能性があります。

API リファレンス

インタラクティブなドキュメントの全文は mengram.io/docs をご覧ください。

クォータヘッダー

認証済みのすべてのレスポンスには、使用状況ヘッダーが含まれます。

SDK では .quota を通じて参照できます。

m.search("test")
print(m.quota)  # {"add": {"used": 5, "limit": 30}, "search": {"used": 12, "limit": 100}}

コミュニティ

• GitHub Issues — バグ報告、機能リクエスト
• GitHub Discussions — ユースケースの紹介、質問
• API Docs — インタラクティブな Swagger UI
• Examples — すぐに実行できるエージェントテンプレート

Star History

ライセンス

Apache 2.0 — 商用利用も無料です。