Memory OS
Memory OSは、大規模言語モデルベースのエージェントが抱える、慢性的な短期記憶喪失の問題を根本的に解決するために開発された、7層構造のローカルエージェント専用のメモリオペレーティングシステムです。コンピュータが高速演算を処理するランダムアクセスメモリ（RAM）と、大容量データを保存するソリッドステートドライブ（SSD）を有機的に行き来しながらリソースを管理する方式と同様に、エージェントのリアルタイムコンテキストウィンドウを立体的に管理します。このシステムは、SQLiteデータベース、Qdrantベクトル検索エンジン、Redisメッセージキュー、およびバックグラウンドビ
Memory OSは、大規模言語モデルベースのエージェントが抱える、深刻な短期記憶喪失の問題を根本的に解決するために開発された、7層構造のローカルエージェント専用のメモリオペレーティングシステムです。コンピュータが高速演算を処理するランダムアクセスメモリ（RAM）と、大容量データを保存するソリッドステートドライブ（SSD）を有機的に行き来しながらリソースを管理する方式と同様に、エージェントのリアルタイムコンテキストウィンドウを立体的に管理します。このシステムは、SQLiteデータベース、Qdrantベクトル検索エンジン、Redisメッセージキュー、およびバックグラウンド非同期ワーカーを独立したDockerコンテナエコシステムにまとめ、ローカルマシンで完全なプライベート環境として実行されます。エージェントがユーザーと交わしたすべての会話の流れを収集し、分解して、SQLiteベースの関係構造とQdrantベースの高次元コサイン類似度ベクトル空間に立体的にインデックス化することで、永続的な事実知識ベースを構築します。
従来の多くのエージェント用メモリプラグインやRAG（Retrieval-Augmented Generation）システムは、ユーザーの単純な会話検索リクエストに対応するために、無分別なベクトル類似度検索結果をエージェントのプロンプトに大量に投入していました。このような方式は、限られたコンテキストを急速に枯渇させ、コストを急増させ、エージェントがすでに提供された情報を再検索するために外部ツールを呼び出し続けるという悪循環を引き起こし、全体的なパフォーマンスを劇的に低下させます。Memory OSは、このような一時的なアプローチの限界を超え、SQLiteのFTS5エンジンを組み合わせた4段階の検索フォールバック（ハイブリッド→疎→語彙→SQLite）システムを提供し、セッション単位の重複データフィルタリングと意味的統合（Semantic Deduplication）スキャナーを通じて、最大限のトークン効率（Token Efficiency）を達成します。特に、このオペレーティングシステムの主要な差別化ポイントは、最上位のアイデンティティレイヤーであるグランドトゥルース階層（Ground Truth Hierarchy）にあります。この階層は、エージェントにプロンプトに注入されたメモリコンテキストが絶対的かつ権威のある事実であることを認識させるように指示し、エージェントが自身の知識を疑い、外部データベースを重複して参照するという非効率を根本的に排除します。
一般的な研究者や開発者の視点から見ると、Memory OSは、長期的なRAG知識管理および自律的な共同作業パイプラインの堅固な基盤となります。システムは、会話が終了するたびにバックグラウンドワーカーを通じて、その会話から主要な概念と相互参照を抽出し、信頼度スコア（Trust Scoring）ベースの自動フィードバックループを起動して、ノイズ情報を継続的にフィルタリングします。このように精製されたデータは、自動キュレーションウィキ（Auto-Curated Wiki）構造で、概念（Concepts）、エンティティ（Entities）、比較群（Comparisons）フォルダに自動的に分類および整理され、熟練した人間の研究アシスタントが常に更新する研究ログのような役割を果たします。ユーザーは、各セッションで以前の作業のコンテキストやライブラリの仕様、設定したルールなどを最初から説明する必要がなく、わずか数行の質問だけで、数か月前の複雑な設計決定事項をエージェントの最新のコンテキストに即座に呼び出し、高度な連続性のある作業を継続できます。
さらに、このソリューションは、商用のクラウドベースのメモリサービスにデータをアップロードしないため、機密性の高いビジネスロジックや研究機密データを扱う厳しいセキュリティ環境でも、外部への漏洩を心配することなく安全に適用できます。OpenAI、Anthropic、OpenRouterなどの外部クラウドLLM APIと自由に連携できるだけでなく、Ollamaやllama.cppを通じて完全にローカルで実行されるインフラとも互換性があり、ビジネスの性質とインフラの制約に合わせて柔軟に対応できます。ローカルDockerスタックと軽量データベースモデルを組み合わせることで、メモリ使用量を最小限に抑えながら、バックグラウンドの分散ワーカープロセスを通じて、リアルタイムで大量のエージェント状態の変化を遅延なく処理し、強力なパフォーマンスと安定性を提供します。
💻 必要なスペック
8GB 以上推奨（ローカル埋め込みおよびLLMモデル駆動時に12GB～24GB必要、CPU単独使用時は速度低下が発生）
モデルダウンロードサイズを除く1GB以内、ローカルベクターDBのデータ量に応じて拡張が必要
⚡ インストール
4-1. クイックスタート
curl -sSL https://raw.githubusercontent.com/ClaudioDrews/memory-os/main/setup.sh | bash
4-2. 詳細なインストール
# 1. GitHub リポジトリの複製と移動
git clone https://github.com/ClaudioDrews/Memory-OS.git
cd Memory-OS
# 2. Pythonの仮想環境の設定と依存関係のインストール
pip install -r requirements.txt
# 3. SQLite データベースおよび検索インデックスの初期化
python setup/setup_db.py
# 4. Docker Compose ベースの必須バックエンドの実行（Qdrant + Redis + Worker）
cd docker
cat > .env << EOF
REDIS_PASSWORD=$(openssl rand -hex 16)
EMBEDDING_DIMS=4096
COLLECTION_NAME=knowledge_base
LOG_LEVEL=INFO
EOF
docker compose up -d
# 5. Icarus プラグインのコピーと設定ファイルの有効化
cp -r ../icarus/ ~/.hermes/plugins/icarus/
# `~/.hermes/config.yaml`ファイルの`enabled`項目に`- icarus`を追加登録し、gatewayを再起動してください。
FAQ
Memory OSとは何ですか？
Memory OSは、大規模言語モデルベースのエージェントが抱える、深刻な短期記憶喪失の問題を根本的に解決するために開発された、7層構造のローカルエージェント専用のメモリオペレーティングシステムです。コンピュータが高速演算を処理するランダムアクセスメモリ（RAM）と、大容量データを保存するソリッドステートドライブ（SSD）を有機的に行き来しながらリソースを管理する方式と同様に、エージェントのリアルタイムコンテキストウィンドウを立体的に管理します。このシステムは、SQLiteデータベース、Qdrantベクトル検索エンジン、Redisメッセージキュー、およびバックグラウンド非同期ワーカーを独立したDockerコンテナエコシステムにまとめ、ローカルマシンで完全なプライベート環境として実行されます。エージェントがユーザーと交わしたすべての会話の流れを収集し、分解して、SQLiteベースの関係構造とQdrantベースの高次元コサイン類似度ベクトル空間に立体的にインデックス化することで、永続的な事実知識ベースを構築します。 従来の多くのエージェント用メモリプラグインやRAG（Retrieval-Augmented Generation）システムは、ユーザーの単純な会話検索リクエストに対応するために、無分別なベクトル類似度検索結果をエージェントのプロンプトに大量に投入していました。このような方式は、限られたコンテキストを急速に枯渇させ、コストを急増させ、エージェントがすでに提供された情報を再検索するために外部ツールを呼び出し続けるという悪循環を引き起こし、全体的なパフォーマンスを劇的に低下させます。Memory OSは、このような一時的なアプローチの限界を超え、SQLiteのFTS5エンジンを組み合わせた4段階の検索フォールバック（ハイブリッド→疎→語彙→SQLite）システムを提供し、セッション単位の重複データフィルタリングと意味的統合（Semantic Deduplication）スキャナーを通じて、最大限のトークン効率（Token Efficiency）を達成します。特に、このオペレーティングシステムの主要な差別化ポイントは、最上位のアイデンティティレイヤーであるグランドトゥルース階層（Ground Truth Hierarchy）にあります。この階層は、エージェントにプロンプトに注入されたメモリコンテキストが絶対的かつ権威のある事実であることを認識させるように指示し、エージェントが自身の知識を疑い、外部データベースを重複して参照するという非効率を根本的に排除します。 一般的な研究者や開発者の視点から見ると、Memory OSは、長期的なRAG知識管理および自律的な共同作業パイプラインの堅固な基盤となります。システムは、会話が終了するたびにバックグラウンドワーカーを通じて、その会話から主要な概念と相互参照を抽出し、信頼度スコア（Trust Scoring）ベースの自動フィードバックループを起動して、ノイズ情報を継続的にフィルタリングします。このように精製されたデータは、自動キュレーションウィキ（Auto-Curated Wiki）構造で、概念（Concepts）、エンティティ（Entities）、比較群（Comparisons）フォルダに自動的に分類および整理され、熟練した人間の研究アシスタントが常に更新する研究ログのような役割を果たします。ユーザーは、各セッションで以前の作業のコンテキストやライブラリの仕様、設定したルールなどを最初から説明する必要がなく、わずか数行の質問だけで、数か月前の複雑な設計決定事項をエージェントの最新のコンテキストに即座に呼び出し、高度な連続性のある作業を継続できます。 さらに、このソリューションは、商用のクラウドベースのメモリサービスにデータをアップロードしないため、機密性の高いビジネスロジックや研究機密データを扱う厳しいセキュリティ環境でも、外部への漏洩を心配することなく安全に適用できます。OpenAI、Anthropic、OpenRouterなどの外部クラウドLLM APIと自由に連携できるだけでなく、Ollamaやllama.cppを通じて完全にローカルで実行されるインフラとも互換性があり、ビジネスの性質とインフラの制約に合わせて柔軟に対応できます。ローカルDockerスタックと軽量データベースモデルを組み合わせることで、メモリ使用量を最小限に抑えながら、バックグラウンドの分散ワーカープロセスを通じて、リアルタイムで大量のエージェント状態の変化を遅延なく処理し、強力なパフォーマンスと安定性を提供します。
Memory OSはいつ使いますか？
Memory OSは、大規模言語モデルベースのエージェントが抱える、慢性的な短期記憶喪失の問題を根本的に解決するために開発された、7層構造のローカルエージェント専用のメモリオペレーティングシステムです。コンピュータが高速演算を処理するランダムアクセスメモリ（RAM）と、大容量データを保存するソリッドステートドライブ（SSD）を有機的に行き来しながらリソースを管理する方式と同様に、エージェントのリアルタイムコンテキストウィンドウを立体的に管理します。このシステムは、SQLiteデータベース、Qdrantベクトル検索エンジン、Redisメッセージキュー、およびバックグラウンドビ
📝 アップデートノート
まだアップデートノートはありません。
🧪 関連「生命のコード」
関連する「生命のコード」記事はまだありません。