メインコンテンツまでスキップ

メモリガイド

SDK の Memory モジュールが提供する セマンティックメモリ を使って、エージェントに長期記憶を実装する方法を解説します。

概要​

セマンティックメモリは Mem0 + Qdrant をバックエンドとした、ベクトル検索ベースのメモリシステムです。ユーザーの知識・好み・事実を記憶し、類似度検索で関連する記憶を想起します。

ユーザーとの対話
       │
       ▼
セマンティックメモリ（Mem0 + Qdrant）
  「ユーザーは Python が得意」
  「プロジェクトXの締切は3月」
  「前回はCSV出力を希望した」
       │
       ▼
LLM コンテキストに注入 → より適切な回答

SemanticMemoryClient のメソッド（add / search / get_all / delete / delete_all）はすべて 同期メソッド です。await は不要です。cleanup() のみ非同期です。

設定​

config.toml の [memory] セクションで LLM・Embedder・ベクトルストアを設定します。

config.tomlToml
[memory.llm]
model = "azure_openai/gpt-4.1"
api_key = "${AZURE_OPENAI_API_KEY}"
base_url = "https://your-endpoint.openai.azure.com/"
api_version = "2024-12-01-preview"

[memory.embedder]
model = "azure_openai/text-embedding-3-large"
api_key = "${AZURE_OPENAI_API_KEY}"
base_url = "https://your-endpoint.openai.azure.com/"
api_version = "2024-12-01-preview"

[memory.vector_store]
provider = "qdrant"

[memory.vector_store.config]
url = "http://qdrant.internal:6333"
collection_name = "semantic_memory"

基本操作​

Python
from agenticstar_platform.memory import SemanticMemoryClient, SemanticMemoryConfig

# 初期化
config = SemanticMemoryConfig.from_toml("config.toml")
memory = SemanticMemoryClient(config)

# メモリの追加（messages は OpenAI 形式の dict リスト）
result = memory.add(
    messages=[
        {"role": "user", "content": "私は Python と TypeScript が得意です"},
        {"role": "assistant", "content": "承知しました。スキルセットを記録します。"},
    ],
    user_id="user-001",
    metadata={"source": "self_introduction"},
)

# メモリの検索（類似度ベース）
result = memory.search(
    query="このユーザーのスキルセットは？",
    user_id="user-001",
    limit=5,
)
for r in result.get("results", []):
    print(f"{r['memory']}")

# 全メモリの取得
result = memory.get_all(user_id="user-001")

# メモリの削除
result = memory.delete(memory_id="mem-xxx")

# ユーザーの全メモリを削除
result = memory.delete_all(user_id="user-001")

# 非同期クリーンアップ（終了時に呼び出し）
await memory.cleanup()

LLM プロバイダーの選択​

LLMProviderConfig の model フィールドに プロバイダー/モデル名 形式で指定します。

Toml
[memory.llm]
model = "azure_openai/gpt-4.1"
api_key = "${AZURE_OPENAI_API_KEY}"
base_url = "https://your-endpoint.openai.azure.com/"
api_version = "2024-12-01-preview"

エージェントでの活用パターン​

パターン 1: コンテキスト強化​

エージェントの LLM 呼び出し前に、メモリからコンテキストを取得して追加します。

Python
def build_context(user_id: str, query: str) -> str:
    """メモリからコンテキストを構築"""
    result = memory.search(query=query, user_id=user_id, limit=5)

    context = "## このユーザーについて\n"
    for r in result.get("results", []):
        context += f"- {r['memory']}\n"

    return context

# LLM 呼び出し時にコンテキストを注入
context = build_context("user-001", user_message)
messages = [
    {"role": "system", "content": f"以下のユーザー情報を参考にしてください:\n{context}"},
    {"role": "user", "content": user_message},
]

パターン 2: 対話後の自動記憶​

対話終了後に重要な情報をメモリに保存します。

Python
def save_conversation_memory(user_id: str, conversation: list[dict]):
    """対話をメモリに保存"""
    memory.add(
        messages=conversation,  # [{"role": "user", ...}, {"role": "assistant", ...}]
        user_id=user_id,
        metadata={"source": "conversation"},
    )

パターン 3: ユーザー別のパーソナライゼーション​

Python
def personalize_response(user_id: str, base_response: str) -> str:
    """ユーザーの好みに基づいてレスポンスを調整"""
    result = memory.search(
        query="ユーザーの好みや要望",
        user_id=user_id,
        limit=3,
    )
    memories = result.get("results", [])

    if not memories:
        return base_response

    adjustment_prompt = "以下のユーザーの好みを考慮して回答を調整してください:\n"
    for m in memories:
        adjustment_prompt += f"- {m['memory']}\n"

    return adjust_with_llm(base_response, adjustment_prompt)

ユーティリティ関数​

SDK はメモリの設定変換に使えるユーティリティ関数を提供しています。

Python
from agenticstar_platform.memory import (
    normalize_provider,
    parse_model_string,
    convert_llm_to_mem0,
    convert_embedder_to_mem0,
)

# プロバイダー名の正規化
provider = normalize_provider("Azure_OpenAI")  # → "azure_openai"

# モデル文字列の解析
provider, model = parse_model_string("azure_openai/gpt-4.1")
# → ("azure_openai", "gpt-4.1")

# LLMProviderConfig から Mem0 形式の設定に変換
llm_config = convert_llm_to_mem0(llm_provider_config)
embedder_config = convert_embedder_to_mem0(embedder_config)

次のステップ​

SDK API リファレンス — Memory Module

SemanticMemoryClient の完全仕様

ガイドを見る

セキュリティガイド

メモリに保存する前のコンテンツ検証

ガイドを見る