genome

GENOME

AI エージェント向けのオープンなメモリ。Mem0 と同等の回答精度を実現しながら、保存コストは約 1,000 分の 1で、完全にオフラインで動作し、監査可能な記録を保持します。

論文： Do Agents Need an LLM to Remember?（中核となる評価、2026年）と What Does Each Memory Feature Buy?（5つのオプション機能すべてについて、成功も失敗も含めて測定した監査、2026年）。PDF は papers/ に、結果表は benchmarks/AUDIT-RESULTS.md にあります。

Mem0 のようなエージェントメモリツールの多くは、何を記憶するかを決めるためにメッセージごとにLLM を呼び出します。これが低速でコストのかかる部分です。GENOME はその必要がないという考えに基づいています。GENOME は各メッセージをローカルで埋め込むだけです。書き込み時に LLM も API もネットワークも必要ありません。

公開データセット（LoCoMo、LongMemEval）で公正にベンチマークした結果、GENOME はMem0 と同等の精度で回答します。その一方で、メモリの保存コストはわずかで、完全にオフラインで動作します。

最初に正直にお伝えします。回答精度について、GENOME は Mem0 と同等です。この点で Mem0 を上回るとは主張しません（6つの独立したベンチマーク構成で同等であることが確認されており、どちらの方向にも有意差はありません）。優位性は、コスト、速度、オフライン動作、そして Mem0 では生成できない時間的な記録と監査可能な記録です。

動作を見る

すべてのフレームは examples/demo_timeline.py の実際の出力で、tools/render_demo_gif.py によって記録されています。API キーなしで、実際に実行できます。

python examples/demo_timeline.py

興味深いのはステップ 3 です。ストアは各事実がいつ真実になったかを保持し、上書きしないため、いつ尋ねるかによって同じ質問に対して3つの異なる正しい回答が得られます。

質問	回答
2023年5月時点で、Priya の都市はどこでしたか？	Boston [Mar 2023 - Jan 2024]
2024年3月時点で、Priya の都市はどこでしたか？	Seattle [Jan 2024 - Feb 2025]
現在、Priya の都市はどこですか？	Austin [Feb 2025 - present]

「Denver への引っ越しを考えているけれど、まだ何も決まっていない」という発言は保存されますが、回答にはなりません。これは計画であり、持続的な事実ではないためです。

仕組み

書き込み処理は意図的に単純で、低コストです。すべての知能は、クエリによって対象が絞られる読み取り時に働きます。

flowchart LR
    M["incoming message"] --> E["local embedder<br/>all-MiniLM-L6-v2"]
    E --> S[("local store<br/>SQLite or Postgres")]
    M -. "optional, opt-in" .-> B["belief extraction<br/>(the only LLM call)"]
    B --> K[("bi-temporal<br/>fact log")]

    Q["query"] --> R["exact cosine search<br/>over this tenant's rows"]
    S --> R
    R --> RR["optional cross-encoder<br/>rerank"]
    RR --> A["context for the agent"]
    Q --> PIT["as-of resolution<br/>facts_valid_at(entity, T)"]
    K --> PIT
    PIT --> A

    style E fill:#0A84FF,color:#fff
    style S fill:#1c2530,color:#fff
    style K fill:#1c2530,color:#fff
    style B fill:#3a3a3a,color:#fff

書き込み：ローカルで埋め込み、保存します。約 10 ms、LLM の呼び出しはゼロ、ネットワーク呼び出しもゼロです。埋め込みは決定論的です。同じテキストからは常に同じベクトルが得られ、何が重要かを決める抽出ステップでサンプリングは行いません。そのため、保存される内容は入力によって決まり、ジャーナルを再生すればストアが完全に再現されます。（ID とタイムスタンプは書き込みごとに付与されるため、同じ会話を独立して2回取り込んだ場合、内容とベクトルは一致しますが、レコード ID は一致しません。）

読み取り：テナントのスコープ内で完全なコサイン検索を行います（構築や更新が必要な ANN インデックスはありません）。オプションでローカルのクロスエンコーダーリランカーも使用できます。

双時系列レイヤー（オプトイン）：各事実を、それが取り込まれた時点ではなく、世界で事実となった時点であるドメイン時刻に記録します。これにより、事実が順不同で届いた場合でも、特定の時点に関する質問に答えられます。

記録を再導出できる理由

flowchart TB
    subgraph LLM["LLM-extraction memory"]
        A1["message"] --> A2["LLM decides what matters<br/>(sampled, non-deterministic)"]
        A2 --> A3[("store")]
        A3 --> A4["replaying the same input<br/>can produce a different store"]
    end
    subgraph GEN["GENOME"]
        B1["message"] --> B2["local embedding<br/>(deterministic)"]
        B2 --> B3[("store")]
        B3 --> B4["replaying the same input<br/>reproduces the same store"]
    end
    style A4 fill:#5c1f1f,color:#fff
    style B4 fill:#1f4d33,color:#fff

再導出できない記録は監査が困難です。この設計の根拠となるのは、精度ではなくこの特性です。

信じられませんか？ご自身で確かめてください

コスト、速度、オフライン動作に関する主張の検証に API キーは不要です。60 秒でご自身のマシン上で測定できます。

git clone https://github.com/NORTHTEKDevs/genome && cd genome
pip install -e . && python -m genome.verify

初回の実行では、何かが表示される前にローカル埋め込みモデル（約 90 MB、初回のみ）がダウンロードされるため、初めて実行するマシンでは 30～120 秒ほど何も表示されないことがあります。それ以降の実行はすぐに完了します。

外部ネットワークを物理的に遮断した状態でメモリを書き込み、リアルタイムの成功／失敗結果を表示します。ネットワーク呼び出し 0 回、LLM 呼び出し 0 回、書き込みは 1 桁ミリ秒、検索も機能します。

  [PASS] Air-gapped write path: wrote 200 memories with every outbound socket blocked -> 0 network attempts, 0 LLM calls
  [PASS] Write latency: 7.1 ms/message  (Mem0's measured write path: ~2,055 ms + 1 LLM call/message)
  [PASS] Retrieval works: top hit score 0.598

この結果で確認できるのは、コスト、速度、オフライン動作に関する内容のみです。Mem0 と同等の精度に関する主張は、別途より大規模な検証が必要で、LLM キーが必要です。python benchmarks/head_to_head.py を使い、ご自身のキーで同じ質問を用いて直接比較してください（OpenRouter のキーが 1 つあれば利用できます。n=90／n=205 の実行結果、対応のある有意差検定、公開済みの帰無結果については、benchmarks/RESULTS.md を参照してください）。テストスイート全体は公開 CI で実行されます（上のバッジを参照）。謳い文句は「信じてください」ではなく、「実行してみてください」です。

1 行でエージェントに永続メモリを追加（MCP）

GENOME には完全ローカルの MCP サーバーが付属しています。Claude Desktop、Claude Code、Cursor でセッションをまたいでメモリを利用でき、API キーは不要で、データがマシンの外に出ることもありません。

pip install "genome-memory[mcp]"

{ "mcpServers": { "genome": { "command": "genome-mcp" } } }

または uv を使えばインストール不要です：{ "command": "uvx", "args": ["--from", "genome-memory[mcp]", "genome-mcp"] }

エージェントが利用できるツール：remember、recall、forget、reset_memories。 メモリはローカルの ~/.genome/memories.db に保存されます。MCP の詳細はこちら ↓

GENOME と Mem0 の比較

	GENOME	Mem0
回答精度（LoCoMo、LongMemEval）	同等	同等
1 件のメッセージを保存するための LLM 呼び出し回数	0	1 回以上
書き込み速度	約 10 ms	約 2,000 ms
オフライン／エアギャップ環境での実行	可能	不可（LLM API が必要）
取り込みコスト（ユーザー 1 万人のデプロイ）	約 190 ドル／年	年間 159,000～1,600,000 ドル
「3 月時点で何が真実だったか？」（特定時点の情報）	可能	不可
決定論的で監査可能なメモリ	可能	不可

すべての数値は、同一のハーネス（同じ応答生成器、評価器、埋め込みモデル、top-k）で測定しており、変更するのはメモリ層のみです。対応のある有意差検定も実施しています。詳細と各数値の出典については、benchmarks/RESULTS.md を参照してください。レポートの PDF はこちらです： benchmarks/GENOME-LoCoMo-Report.pdf。

約 1,000 倍安い理由：記憶するために LLM を呼び出さない

メッセージ 1 件の保存にかかるコストは、Mem0 では LLM 呼び出し 1 回、GENOME では 0 回（ローカルの埋め込み処理のみ）です。これは異論の余地があるベンチマークではなく、単純な計算であり、どの LLM の価格を基準にしても変わりません。ユーザー 10,000 人 × 1 日あたり 50 件のメッセージ（月間 1,500 万件）の場合：

Mem0 が抽出に使用するモデル	Mem0 の年間取り込み料金	GENOME
Claude Haiku	$1,601,757	$190
gpt-4o-mini	$238,596	$190
最安のホスト型モデル	$159,064	$190

最安のモデルを使っても差は残り、本番環境ではさらに広がります（ストアが大きくなるにつれて、Mem0 は保存済みメモリを LLM に再送信するためです）。python benchmarks/tco_project.py で再現できます（API キー不要）。

エアギャップ環境で動作します

GENOME のデフォルトの埋め込みモデルはローカルで動作します。書き込み中にすべてのネットワークを遮断しても成功することを確認し、書き込み処理が本当にオフラインで実行できると証明しました。

• メッセージ 1 件あたり約 10 ms、ネットワーク呼び出し 0 回、LLM 呼び出し 0 回（python benchmarks/local_writepath.py）
• Mem0 では実行できません。取り込みに LLM API 呼び出しが必要です。

そのため、GENOME はオンプレミス、規制対象の環境、または完全なオフライン環境で利用できます。これは価格の問題ではなく、可能か不可能かという機能上の違いです。

仕組み

• 書き込み： メッセージをローカルで埋め込み、保存します。LLM もネットワークも使いません。（約 10 ms）
• 読み取り： メモリをベクトル検索します。難しいクエリには、オプションのローカルなクロスエンコーダーによる再ランキングも利用できます。
• オプションの双時系列レイヤー： 事実が時間とともにどのように変化するかを追跡し、「時刻 T に何が真実だったか」に回答します。詳しくは以下をご覧ください。

決定性がもたらすもの

書き込みパスでコンテンツを解釈する処理がないため、GENOME は原理上、LLM による取り込みを行うメモリシステムにはできないことを実現できます。

• メモリファイアウォール（genome.firewall）：すべての書き込みに由来元（user、agent、tool、web）のタグを付け、信頼度の低い由来元を想起から隔離し、由来元に基づく権限を適用します。ウェブコンテンツがユーザーの発言を更新または削除することは、プロンプトインジェクションを受けた競合解決処理が要求した場合でも決してありません。また、書き込みパスに LLM がないため、インジェクションされたコンテンツが攻撃できる抽出ステップもありません。

  from genome import Memory
  from genome.firewall import TrustPolicy
  
  m = Memory(trust_policy=TrustPolicy(recall_min_trust=1))
  m.add("I live in Anchorage", user_id="u1", provenance="user")
  m.add(scraped_page_text, user_id="u1", provenance="web")   # quarantined
  

• 説明可能な想起（genome.explain）：explain_search() は、各候補の密なベクトルスコア、BM25 ランク、融合スコアに加え、候補が返されなかった場合はその正確な理由（親によるフィルタリング、隔離、上限超過）を報告します。2 回の実行結果は一致するため、想起のバグを単なる諦めで済ませず、リグレッションテストとしてコミットできます。

• ジャーナルとリプレイ（genome.journal）：すべての変更を記録し、ストアを確実に再現します。verify_journal() は履歴を再生し、正規化されたハッシュを比較します。履歴の先頭部分を再生してロールバックしたり、別のストレージに再生して、仮定の実行用にメモリを分岐させたりできます。ジャーナルは抽出後に配置されるため、LLM 抽出器を設定していても再生は決定的です。各行は直前の行とチェーンで結ばれているため、変更が最終状態で相殺される場合でも、行の削除や編集を検出できます。

  # Tamper-EVIDENT by default. Pass a key (kept outside the journal's directory)
  # to make it tamper-PROOF: an unkeyed chain can be recomputed by anyone with
  # write access, an HMAC chain cannot.
  m = Memory(journal="mem.journal", journal_key=os.environb[b"GENOME_JOURNAL_KEY"])
  

• 複数エージェントの信念の帰属（record_fact(..., believed_by="agent-a")）：ストアを共有するエージェントはそれぞれ独自の信念のタイムラインを保持します。エージェント B が異議を唱えても、エージェント A の事実が上書きされることはありません。また、belief_conflicts() は意図的な解決に向けて意見の相違を提示するため、勝者が密かに選ばれることはありません。

• 中立的なベンチマークハーネス（benchmarks/neutral/）：同じ応答器、判定器、埋め込み器を使用して GENOME、Mem0、フルコンテキストのベースラインを実行し、ペアごとの McNemar 行列と全面開示ブロックを用意できます。GENOME は表の一行であり、特別扱いされません。

インストール

pip install genome-memory

デフォルトの埋め込み器はローカル（sentence-transformers/all-MiniLM-L6-v2）で、API キーは不要、オフラインで動作します。初回実行時に約 90 MB のモデルを一度だけダウンロードします。より高次元の検索には、オプションで OpenAI の埋め込みを使用できます。

依存関係の実態： コアのインストールには numpy、sentence-transformers、scikit-learn、rank-bm25 が必要です。ローカル埋め込みは PyTorch（sentence-transformers によってインストール）上で動作するため、小規模なインストールではありません。これはオフラインで無料の埋め込みを実現するために意図的に選んだトレードオフです。プロットとベンチマークチャートの依存関係は、コアではなくオプションの [viz] エクストラに含まれています。Mem0 から移行する場合は、docs/migrating_from_mem0.md をご覧ください。

クイックスタート（完全ローカル、API キー不要）

from genome import Memory

mem = Memory(storage="genome.db")   # local embedder by default; ":memory:" for ephemeral

# Store a message -- embedded locally, no LLM call, no network
mem.add("Ada met Lin at the robotics summit in Berlin.", user_id="u1")
mem.add("They are collaborating on an open-source planning library.", user_id="u1")

# Retrieve the most relevant memories
for hit in mem.search("Where did Ada meet Lin?", user_id="u1", limit=5):
    print(f"{hit.score:.3f}  {hit.content}")

Memory は Mem0 の API（add ／ search ／ get ／ delete ／ reset）に対応しており、ほぼそのまま置き換えられます。代わりに OpenAI の埋め込みを使う場合は、OPENAI_API_KEY を設定してください。

from genome import Memory, EmbeddingProvider
mem = Memory(storage="genome.db",
             embedding_provider=EmbeddingProvider(model_name="openai:text-embedding-3-small"))

MCP サーバーとして使う（あらゆるエージェント向けの完全ローカルなメモリ）

GENOME には MCP サーバーが付属しているため、あらゆる MCP クライアント（Claude Desktop、Claude Code、Cursor など）で、完全にローカルマシン上で動作するセッションをまたいだ永続メモリを利用できます。LLM の呼び出しも、API キーも不要で、データがマシンの外に出ることもありません。これを実現できるメモリ MCP はほとんどありません。

mcp extra を使ってインストールし、クライアントの設定に追加します。

pip install "genome-memory[mcp]"

{
  "mcpServers": {
    "genome": { "command": "genome-mcp" }
  }
}

エージェントが利用できるツール：remember（事実や好みを保存、ローカルで完結し LLM 呼び出しは 0 回）、recall （セマンティック検索）、forget（クエリに一致するメモリを削除）、reset_memories （ユーザーのメモリを消去）。メモリは ~/.genome/memories.db に保存されます（GENOME_MCP_DB 環境変数で変更できます）。genome-mcp または python -m genome.mcp.server で単独実行できます。

HTTP API として実行する

HTTP を使いたい場合は、GENOME に FastAPI サーバーが付属しています。ライブラリの API（add / search / get / update / delete / reset / synthesize）を 1 対 1 で提供し、/docs に OpenAPI 仕様を自動生成します。

pip install "genome-memory[fastapi]"

ローカルで試す（キー不要、ループバックのみ。「認証なし」の意図を明示するフラグを 1 つ指定します）：

GENOME_ALLOW_NO_AUTH=1 python -m genome.server        # serves on 127.0.0.1:8080

curl -X POST localhost:8080/v1/memories \
  -H 'Content-Type: application/json' \
  -d '{"text": "Ada met Lin at the robotics summit in Berlin.", "user_id": "u1"}'

curl -X POST localhost:8080/v1/search \
  -H 'Content-Type: application/json' \
  -d '{"query": "Where did Ada meet Lin?", "user_id": "u1", "limit": 5}'

デフォルトで安全です。 上記のように明示的に許可しない限り、サーバーは認証なしでのサービス提供を拒否し、キーなしではループバック以外のインターフェースにバインドしません。外部に公開するには、API キー（X-API-Key として送信）を設定します。localhost を超えてバインドする場合は必須です。

GENOME_API_KEY=$(openssl rand -hex 32) GENOME_HOST=0.0.0.0 python -m genome.server
# then add:  -H "X-API-Key: $GENOME_API_KEY"  to every request

マルチテナント環境では、GENOME_REQUIRE_SCOPE=1 を設定すると、すべての呼び出しで user_id / agent_id が必須になり、グローバルリセットが無効になります。Docker の場合は docker-compose up を実行します（GENOME_API_KEY と POSTGRES_PASSWORD が必要です。Postgres はループバックのみで公開されます）。Postgres バックエンドとすべての環境変数を含む詳しいガイド：docs/tutorial_quickstart.md。

TypeScript / JavaScript クライアント

@northtek/genome-memory は、このサーバーに対して Python の Memory API と同じ形式の API を提供します（ESM、Node 20 以降またはブラウザー）：

npm install @northtek/genome-memory

import { Memory } from "@northtek/genome-memory";

const mem = new Memory({ baseUrl: "http://localhost:8080" });
await mem.add({ text: "Ada met Lin in Berlin.", userId: "u1" });
const hits = await mem.search({ query: "Where did Ada meet Lin?", userId: "u1" });

クライアントの詳しいドキュメント：sdks/typescript/README.md。

正直な評価結果

すべてのシステムで同じ応答生成器、判定器、埋め込みモデルを使用し、メモリ層のみを変更しています。

測定項目	結果	評価
ウィンドウ内の回答精度（LoCoMo）	GENOME 0.851 対 Mem0 0.855（p > 0.23）	同等
より難しいベンチマークでの回答精度（LongMemEval、n=90 および n=205）	優位な傾向はあるが、有意差なし（p = 0.14-0.19）	同等
履歴がコンテキストウィンドウを超えた場合の精度	コンテキストを 80 分の 1 に抑えて +0.409（p = 8e-10）	優位
メッセージの保存コスト	LLM 呼び出し 0 回 対 1 回以上；837～8,433 倍安価	優位
書き込み処理	約 10 ms、エアギャップ環境対応、ネットワーク呼び出し 0 回	優位
時点指定（「T 時点で何が正しかったか」）	信念状態 0.870 対 Mem0 0.676（合成データ）	優位。ただし注意点あり
再ランキング適用時の検索ヒット率	hit@10 が向上（最大 0.943）；ローカルで無料	優位

効果がなかったテスト項目（そのため、皆さんが試す必要はありません）

効果がなかった結果も公開しています。これにより、効果があった結果が本物だと確認できます。

• 合成／統合： トークン予算を同じにすると、精度への影響はありません（p = 0.86）。
• ハイブリッド（BM25 + dense）検索とグラフ検索： ハイブリッド検索は LoCoMo で通常の dense 検索を下回りました。グラフ検索はここでは検証していません。
• 再ランキングによる精度向上は埋め込みモデルに依存します： 検索ヒット率 は安定して向上しますが、最終的な 回答精度 への効果は埋め込みモデルによって異なります。確実な精度向上策ではなく、検索品質を高めるツールとして扱ってください。

双時点メモリ：「時刻 T に何が真実だったか」

GENOME は、事実が時間とともにどのように変化するかを追跡し、ある時点での質問に答えられます。上書き方式のメモリでは構造上できないことです（最新の値しか保持しません）。

from genome.memory.belief import ingest_belief_turn, answer_belief_context

mem = Memory(storage="genome.db", llm_call=my_llm_fn)

# facts land at their DOMAIN time (parsed from the text), not wall-clock ingest time
ingest_belief_turn(mem, "In March 2024, Jordan moved to Seattle.", session_time=t0, user_id="u")
ingest_belief_turn(mem, "Jordan just moved to Austin.", session_time=t2, user_id="u")

answer_belief_context(mem, "Where does Jordan live now?", user_id="u")            # -> Austin
answer_belief_context(mem, "Where did Jordan live in early 2024?", user_id="u")   # -> Seattle
answer_belief_context(mem, "List every city Jordan has lived in.", user_id="u")   # -> Seattle; Austin

TempBelief ベンチマークでは、特定時点についてのクエリに 0.870 で回答し、Mem0 の 0.676 を上回ります。ナレッジグラフの監査結果は、適合率 0.97／再現率 0.96 です。注意点： TempBelief は明示的な日付を含む合成テキストであり、自然な会話では差は縮まります。実際に備わっている機能ですが、実証の範囲には限りがあります。

オプション機能

オプトイン方式です。デフォルトの処理経路は、取り込み時に LLM を使わずローカルで処理します。

mem = Memory(
    storage="genome.db",
    llm_call=my_llm_fn,             # LLM-based fact extraction on add()
    resolve_conflicts=True,         # ADD/UPDATE/DELETE vs existing memories
    auto_extract_entities=True,     # entity graph for graph retrieval
    auto_consolidate_threshold=200, # summarize-or-prune when a scope grows past N
)
mem.search("...", user_id="u1", mode="hybrid")   # modes: "dense" (default), "hybrid", "graph"

再ランキング（ローカル、無料、API 不要）：

from genome.memory.rerank import CrossEncoderReranker
mem = Memory(storage="genome.db", reranker=CrossEncoderReranker())   # lazy-loaded
mem.search("Where did the user go on vacation?", user_id="u1", limit=5)  # reranked

ベンチマークの再現

LoCoMo と LongMemEval のデータセットは同梱されていません（それぞれ独自のライセンスが適用されており、LoCoMo は CC BY-NC 4.0 です）。ダウンロードするには、benchmarks/data/README.md をご覧ください。最初の 2 行は、データセットも API キーも不要です。

python benchmarks/local_writepath.py        # local write path: ~10ms/msg, 0 network
python benchmarks/tco_project.py            # deployment cost projection
python benchmarks/verdict.py                # in-window accuracy + McNemar
python benchmarks/haystack_report.py        # overflow / context-window crossover
python benchmarks/ingest_cost.py --n 80     # measured ingestion cost vs Mem0
python benchmarks/lme_qa.py --n 90          # LongMemEval head-to-head vs Mem0
python benchmarks/tempbelief_run.py --convs 6   # bi-temporal point-in-time vs baselines

サポートと商用プラン

バグや質問は、イシューおよび ディスカッションをご利用ください。コミュニティサポートは可能な範囲での対応となります。詳細は SUPPORT.md をご覧ください。

GENOME Enterprise は、規制対象の組織やオンプレミスでの利用を希望し、AI システムが何をいつ把握していたかについて監査担当者への説明が必要な方向けの、独立した商用製品です。改ざんを検知できるハッシュチェーン監査記録、特定時点の再構成、コンプライアンスレポート、消去証明を伴う保持、RBAC、SSO を備えています。セルフホスト可能で、デプロイごとのライセンスです。ホスト版を提供していないのは意図的です。データが外部に出ないことに価値があるためです。このプランの収益が、本プロジェクトを支えています。評価をご希望の場合や、オープンコアの商用サポートをご希望の場合は、[email protected] までお問い合わせください。

ライセンス

Apache License 2.0 — LICENSE と NOTICE をご覧ください。

GENOME は無料のオープンソースソフトウェアです。Apache 2.0 の条項に従い、読み取り、変更、セルフホスト、自分のアプリケーションへの組み込みができ、商用利用も含まれます。「オープンコア」を餌にした後の方針転換を予定しておらず、コアは Apache-2.0 のままです。

Apache-2.0 の許諾対象はコードであり、名称ではありません。許可を求めずにできることを冒頭に記載した TRADEMARKS.md をご覧ください。お問い合わせ：[email protected]。

Copyright 2026 Northtek (FrostByte Digital LLC)。 mcp-name: io.github.NORTHTEKDevs/genome