skip to content
日替わり OSS
Table of Contents

リポジトリ

ai-memoryとは

近年、ソフトウェア開発の現場では、AIを活用したコーディングエージェントが急速に普及しています。しかし、これらのエージェントの多くは、個別のツール内でしか記憶を保持できず、別のエージェントに切り替えたり、異なるマシンで作業を再開したり、チームメンバーにタスクを引き継いだりする際に、これまでの文脈や試行錯誤の履歴が失われてしまうという課題がありました。

「ai-memory」は、この課題を解決するために開発された画期的なツールです。Rustで実装されたこのプロジェクトは、AIコーディングエージェントが持つ「長期記憶」を一元的に管理し、複数のエージェント、プロジェクト、マシン、さらにはチーム間でその記憶を共有・継承することを可能にします。これにより、開発者はツールの切り替えによる中断を最小限に抑え、AIエージェントとの協調作業の効率を飛躍的に向上させることができます。

開発者の課題を解決するai-memoryの機能

1. エージェントを横断する永続メモリ

ai-memoryの最も強力な機能の一つは、そのエージェント非依存性です。Claude Code、OpenAI Codex、Cursor、Gemini CLIなど、20種類以上の主要なAIコーディングエージェントに対応し、それらが生成する情報を一つの共有メモリに集約します。あるエージェントで中断した作業を、別のエージェントで再開する際、ai-memoryはこれまでの経緯、失敗したアプローチ、未解決の課題といった「引き継ぎ情報」を提供します。これにより、同じ説明を繰り返す手間が省け、作業の連続性が保たれます。

2. セッション状態の継承

単なる要約だけでなく、詳細なセッション履歴を引き継ぐことも可能です。ai-memory runコマンドを使ってエージェントを起動すると、以前のセッションで生成された詳細な履歴(ローカルのトランスクリプトやプロンプト履歴など)が、一時的に新しいエージェントに投影されます。これにより、中断した作業をより正確なコンテキストで再開できます。

3. プロジェクトを横断するプロファイル

開発者の作業習慣(パッケージマネージャー、テスト構成、アーキテクチャの好みなど)は、新しいプロジェクトを開始するたびに再設定されることがよくあります。ai-memoryは、このような「自分らしい作業プロファイル」を記憶し、新しいリポジトリでのセッション開始時に自動的に適用します。これにより、繰り返し発生する初期設定の手間を省き、より迅速に本質的な開発作業に入れるようになります。

4. マシンを横断する同期

ai-memoryのメモリは、開発者が実行するサーバー上で管理されます。これは、ローカルPC、ホームラボのサーバー、あるいはクラウド上の任意の場所で実行できます。この仕組みにより、デスクトップPCで作業していたプロジェクトを、ラップトップで再開する際に、同じ知識と未解決の課題を引き継ぐことができます。作業場所が変わっても、開発の流れが途切れることはありません。

5. チームでの知識共有と共同作業

ai-memoryをチーム全員がアクセスできる単一のサーバーに接続することで、個人のセッションで得られた知識がプロジェクト単位でチーム全体に共有されます。これにより、チームメンバーが互いの知見を活用し、プロジェクトの生産性を向上させることが可能です。個人の引き継ぎはプライベートに保たれつつ、プロジェクト全体の知識ベースが構築されます。マルチユーザー認証、個人ごとの属性管理、監査ログ機能も組み込まれており、チームでの利用に適しています。

6. プレーンなMarkdown形式での記憶管理

ai-memoryの真のソース・オブ・トゥルースは、Gitでバックアップされた普通のMarkdownファイルで構成されるWikiです。これは、特定の形式に縛られることなく、grepで検索したり、Obsidianなどのツールで開いて手動で編集したり、rsyncで同期したりといった自由な操作を可能にします。データベースはこれらのファイルから派生したインデックスであり、いつでも再構築できるため、特定のベンダーや技術へのロックインのリスクがありません。

7. LLM不要なメモリ管理と自動的な記録

ai-memoryは、プロンプト、ツール呼び出し、セッション境界など、エージェントの作業活動をライフサイクル・フックを通じて「サイレントに」記録します。この情報は、機密保護の境界でサニタイズされた後、読みやすいページとしてサーバーに統合されます。驚くべきことに、これらのキャプチャ、検索、引き継ぎのプロセスは、デフォルトでLLMへのAPIコールを一切必要としません。つまり、APIキーがなくても主要な記憶機能を利用できるのです。

また、記憶の老化もLLMなしで行われます。時間の経過とともに記憶は自然に風化しますが、ai-memoryは設定可能なスケジュールでこれを調整し、特に頻繁に利用される記憶はより長く保持します。エピソード的なメモが古くなると、それらは耐久性のある事実(ファイルパス、エラーコード、決定事項など)に圧縮され、近接した重複は一つにまとめられ、矛盾する可能性のある情報はフラグが立てられます。これもすべてAPIコールなしで実行されます。元の情報はGitに保持されるため、完全に削除されることはありません。

8. 「夢を見る」機能(オプション)

必要であれば、ai-memoryは「夢を見る」機能を提供します。これは、LLMを設定している場合にオプションで有効になるバックグラウンドプロセスで、開発者が作業していないアイドル中に、古いメモのクラスター全体を、より簡潔でまとまった単一のページに書き換えます。この機能はデフォルトでオフになっており、元のソースを削除することはなく、オフにするか、開発者が作業に戻るとすぐにキャンセルされます。

9. 透明性と信頼性

ai-memoryは単一の自己完結型バイナリとして提供され、その動作は非常に透明性が高いです。例えば、データの「削除」が実際に何を意味するのかを明確に示し、毎秒約700の書き込みというパフォーマンスの限界も測定・公表されています。すべての変更は監査ログに記録され、システムの信頼性を確保します。

動作原理

ai-memoryの動作は、以下のシンプルなフローで表現されます。

capture ──▶ consolidate ──▶ recall ──▶ handoff
フックが セッション終了時に 検索し、 次のエージェントへ、
静かに観察 Wikiページとして要約 短い情報を注入 どのハーネスでも

エージェントが作業するにつれて、その活動はライフサイクル・フックを通じて観測され、サニタイズされた情報としてキャプチャされます。セッションが終了すると、これらの観測データはプロジェクトのWikiに保存される、まとまりのあるMarkdownページへと統合されます(オプションでLLMによる要約も可能)。次のセッションでは、どのエージェント、どのマシンからでも、関連する情報が簡潔に提供され、フルテキスト検索、エンティティ検索、リンク検索、そしてオプションでベクトル検索を組み合わせた強力な検索機能を使って、過去の記憶を呼び出すことができます。

詳細なアーキテクチャやマルチユーザー環境での不変性保証については、docs/ARCHITECTURE.mdで確認できます。

幅広いエージェントサポート

ai-memoryは、その多岐にわたるエージェントサポートが強みです。Linux、macOS、WSL2上のWindowsなど多様なOSに対応するだけでなく、Claude Code, Codex, Cursor, Gemini CLI, Devin CLI, GitHub Copilot CLIなど、主要なAIコーディングエージェントのほとんどをファーストパーティで統合し、CIで検証されています。これにより、利用しているエージェントの種類に縛られることなく、ai-memoryの恩恵を受けることができます。

ai-memoryが活躍する現場

ai-memoryは、特に以下のような現場でその真価を発揮するでしょう。

  • 複数のAIエージェントを使い分ける開発者: プロジェクトやタスクに応じて最適なエージェントを柔軟に選択しながら、これまでの作業履歴をシームレスに引き継ぎたい個人開発者。
  • 長期的なプロジェクトに携わるチーム: 数ヶ月、数年にわたる大規模プロジェクトにおいて、AIエージェントとのやり取りを通じて得られた知識や決定事項をチーム全体で永続的に共有・蓄積したい場合。
  • AIエージェントとの協調作業を効率化したい個人・チーム: エージェントに同じ説明を何度も繰り返す手間を省き、より生産性の高い「ペアプログラミング」体験を実現したい場合。
  • 知識の検索性と再利用性を重視する現場: 過去の試行錯誤、失敗例、成功パターンなどを簡単に検索・参照できるナレッジベースを構築したい場合。
  • セキュリティや監査を重視する環境: AIエージェントの活動履歴を明確なMarkdown形式で記録し、監査ログを通じて透明性を確保したい企業やプロジェクト。

まとめ

akitaonrails/ai-memoryは、AIコーディングエージェントの利用において、これまで見過ごされがちだった「記憶の永続性」と「共有」という本質的な課題に、真正面から取り組んだ革新的なOSSです。Rustによる堅牢な実装、プレーンなMarkdown形式での記憶管理、LLMへの依存度を低く保ちつつ高度な機能を提供する設計思想は、現代の開発ワークフローに深く根ざし、開発者の生産性を一段と引き上げる可能性を秘めています。複数のAIエージェントを使いこなし、チームで協調して開発を進めるすべてのエンジニアにとって、ai-memoryは強力な味方となるでしょう。