agent-memory

エージェントメモリ

エージェントが会話をまたいで記憶し、学習できるようにします。

このスキルを使うタイミング

次の場合にこのスキルを呼び出してください：

• 会話履歴を追加するとき
• 長期記憶を実装するとき
• パーソナライズされたエージェントを構築するとき
• コンテキストウィンドウを管理するとき

パラメータスキーマ

パラメータ	型	必須	説明	デフォルト
task	string	はい	メモリの目的	-
memory_type	enum	いいえ	buffer、summary、vector、hybrid	hybrid
persistence	enum	いいえ	session、user、global	session

クイックスタート

from langchain.memory import ConversationBufferWindowMemory

# Simple buffer (last k messages)
memory = ConversationBufferWindowMemory(k=10)

# With summarization
from langchain.memory import ConversationSummaryBufferMemory
memory = ConversationSummaryBufferMemory(llm=llm, max_token_limit=2000)

# Vector store memory
from langchain.memory import VectorStoreRetrieverMemory
memory = VectorStoreRetrieverMemory(retriever=vectorstore.as_retriever())

メモリの種類

種類	用途	メリット	デメリット
Buffer	短いチャット	シンプル	圧縮されない
Summary	長いチャット	コンパクト	詳細が失われる
Vector	意味検索	関連性が高い	遅い
Hybrid	本番環境	最も優れている	複雑

マルチレイヤーアーキテクチャ

class ProductionMemory:
    def __init__(self):
        self.short_term = BufferMemory(k=10)    # Recent
        self.summary = SummaryMemory()           # Compressed
        self.long_term = VectorMemory()          # Semantic

トラブルシューティング

問題	解決策
コンテキストのオーバーフロー	要約を追加する
検索が遅い	キャッシュし、kを減らす
無関係な記憶の呼び出し	埋め込みを改善する
メモリが保持されない	ストレージバックエンドを確認する

ベストプラクティス

• 本番環境ではマルチレイヤーメモリを使用する
• オーバーフローを防ぐためにトークン上限を設定する
• メタデータ（タイムスタンプ、重要度）を追加する
• 古いメモリにTTLを実装する

関連スキル

• rag-systems - ベクトル検索
• llm-integration - コンテキスト管理
• ai-agent-basics - エージェントアーキテクチャ

参考資料

• LangChain Memory
• MemGPT Paper