AIエージェントの長期記憶（メモリ）について考えてみた

大規模言語モデルの本質的な限界が、2025年に一つの転換点を迎えた。LLMの推論は本質的にステートレスで、どれだけコンテキストウィンドウを伸ばしても、そこに入らない情報は存在しないのと同じ。企業システムとして動き続けるエージェントを作ろうとしたとき、この制約は即座に壁になる。ユーザーが先週話した好みを今週も反映してほしい、数十ターンの文脈を保ちながら次の指示を受け取りたい。こうしたシンプルな要求が、コンテキスト長の拡大では根本的に解決しない。その問題に対する解答が、2025年にようやく整理された。公開論文・プロダクト・ドキュメントから浮かぶのは4つのアプローチだ。Mem0は会話から重要な事実を抽出し、外部ストアに保存する戦略で、LOCOMOベンチマークで26%の精度改善を達成し、トークンコスト90%削減を実現している。Lettaはメモリを階層化し、エージェント自身が管理する「OS的」な設計。AnthropicのContext Managementは、memory toolとcontext editingを組み合わせて短期・長期メモリを統合し、追加インフラなしで動作する。共通するのは「記憶の置き場と取捨選択」が設計の中核だという認識だ。個人開発者が選ぶなら、シンプルさから始めるのが現実的だ。AnthropicのContext ManagementはClaude APIユーザーなら追加インフラ不要で即座に使える。Mem0のマネージドサービスも選択肢になる。重要なのは完璧な記憶を目指さず、実装してから反応を見ながら設計を調整する思考だ。中小企業がエージェント型の自動化ツール導入を考え始めたとき、ここで問われるのは「何を記憶させるか」よりも「記憶をどう現場に効かせるか」の実装力である。