コンテキストウィンドウを膨張させずに任意のLLMに長期記憶を提供する
LLMは設計上ステートレスであり、すべてのセッションはゼロから始まります。MemoryLakeは、任意のモデルが読み書きできる構造化された記憶レイヤーを提供することでそれを変え、ミリ秒単位の取得とゼロのコンテキストウィンドウの膨張を実現します。
記憶の問題
LLMはバグのために忘れるのではありません。トランスフォーマーアーキテクチャには永続的な状態がないため、各推論呼び出しは独立しています。以前の会話をコンテキストウィンドウに詰め込むような回避策は、トークン制限にすぐに達し、応答の質を低下させ、レイテンシを追加します。モデルの内部ではなく、外部に記憶が必要です。
MemoryLakeの違い
型付き記憶カテゴリ、フラットな知識のダンプではない
MemoryLakeは記憶を6つの構造化されたタイプに整理します：背景（アイデンティティ、読み取り専用）、事実（バージョン管理、競合チェック、ソース帰属）、イベント（タイムライン）、会話（永続的なセッション履歴）、反省（行動パターン）、スキル（再利用可能なワークフロー）。ストレージが構造化されているため、取得は正確です。
LoCoMoベンチマークでの#1取得精度
MemoryLakeは、長期会話記憶の標準ベンチマークであるLoCoMoで94.03%のスコアを記録しています。つまり、あなたのLLMが3ヶ月前にユーザーが言ったことを尋ねると、正しい答えが得られます。
直接コンテキスト注入に対して10,000倍のスケール
記憶を直接コンテキストに注入することはスケールしません。MemoryLakeの取得アーキテクチャは、同じ作業負荷を10,000倍のスケールで処理し、リアルタイムアプリケーションに適したミリ秒のレイテンシを実現します。
永続無料 · クレジットカード不要
動作の仕組み
- 接続 — REST API、MCP（モデルコンテキストプロトコル）、またはPython SDKを介してMemoryLakeを統合します。ChatGPT、Claude、Gemini、Qwen、AutoGPT、APIエンドポイントを介してアクセス可能な任意のモデルで動作します。
- 構造化 — LLMセッションが実行されると、関連する出力 — ユーザーの事実、決定、学習したパターン、繰り返しのワークフロー — がソース帰属とタイムスタンプ付きで適切な型付き記憶カテゴリに書き込まれます。
- 再利用 — 次のセッション（または将来の任意のセッション）では、モデルがミリ秒単位のスピードで関連する記憶を取得します。コンテキストはスリムに保たれ、モデルは情報を保持します。
前後比較
| Without MemoryLake | With MemoryLake | |
|---|---|---|
| Session continuity | Every session starts cold | Background + Conversation memory surfaces prior context instantly |
| Context window usage | Grows with every workaround | Memory lives outside the window; context stays focused |
| Retrieval accuracy | Degrades with scale | 94.03% LoCoMo benchmark accuracy at any scale |
| Conflicting facts | Model accepts the latest silently | Conflict detection flags and versions every Fact update |
| Multi-session workflows | Rebuilt from scratch each time | Skill Memory stores reusable workflows, available across runs |
対象
MemoryLakeは、継続性が重要なLLM駆動の製品を構築する開発者向けに設計されています：AIアシスタント、コーディングエージェント、研究ツール、顧客向けチャットボット、マルチステップ自動化パイプライン。ユーザーがLLMと複数回対話する場合、永続的な記憶が必要です。
このユースケースを自分のアカウントで試す
アシスタントが1人のユーザーについて持つ記憶は、20件から100件、400件へと増えていきます。各時点で同じ4つの質問を、記憶なし、全記憶をプロンプトに貼り付け、boundary を1つ付けた MemoryRouter 経由、の3通りで尋ねます。すべての回答を保存内容と照合して採点するので、全部貼り付けるコストと、どこから間違い始めるかが見えます。
見られるもの
- 全部貼り付けたプロンプトは質問ごとに 395、1,822、6,911 トークンの記憶を運びます（
router chat --body）。MemoryRouter はどの規模でも 78〜158 トークンだけを付けます（--boundary） - 単純な照会（ドアの暗証番号、パスポートの期限）はどちらでも正解。崩れるのは一覧です：400件では9回の実行で誕生日リスト18件のうち完全に正しいものは0件、毎回連絡先が違う月に入っていました
- MemoryRouter は108問すべてに正確に回答し、Anthropic API 上の Claude も同じ boundary で同じ5人の誕生日を挙げました
- 余分な名前は1件ずつ
fact list --queryで確認：記憶には正しい日付が保存されています。ほかにask（任意の質問を3通りで）とローカル Web UI
必要なもの: MemoryLake の API キー · memorylake CLI · Python 3.9 以上
実行する
git clone https://github.com/memorylake-ai/memorylake-usecases.git cd memorylake-usecases/long-term-llm-memory export MEMORYLAKE_API_KEY=sk-… python3 demo.py # or: python3 web/server.py
動作を見る · 実際の録画、未編集
関連するユースケース
よくある質問
MemoryLakeは任意のLLMで動作しますか？
MemoryLakeは任意のLLMで動作しますか？
はい。MemoryLakeはモデルに依存しません。ChatGPT、Claude、Gemini、Qwen、OpenClaw、AutoGPT、Manus、Perplexity、標準APIエンドポイントを介してアクセス可能な任意のモデルをサポートしています。記憶はモデルとは独立して保存および取得されます。
MemoryLakeはどのようにコンテキストウィンドウの膨張を避けますか？
MemoryLakeはどのようにコンテキストウィンドウの膨張を避けますか？
記憶は外部に保存され、選択的に取得されます — 特定のセッションに関連する記憶項目のみが表示されます。あなたのコンテキストウィンドウには、完全な会話履歴のダンプではなく、集中した関連情報が含まれます。
LoCoMoとは何ですか、そしてなぜ重要ですか？
LoCoMoとは何ですか、そしてなぜ重要ですか？
LoCoMo（長期会話記憶ベンチマーク）は、AIシステムが長期的なインタラクション履歴から情報をどれだけ正確に取得できるかを評価する標準です。MemoryLakeの94.03%のスコアは、ベンチマークでの現在のトップ結果であり、代替手段よりも信頼性高く正しい記憶を取得します。