セッションメモリと永続メモリ：アーキテクチャガイド

多くのAIアプリケーションは、現在の会話のコンテキストウィンドウであるセッションメモリのみで構築されています。これは一回限りのクエリには機能しますが、ユーザーが継続性を期待して戻ってきたとき、エージェントが長いタスクを再開するとき、またはシステムが以前の実行からの教訓を適用する必要があるときには失敗します。セッションメモリが提供するものと、実際のプロダクションアプリケーションが必要とするものとのギャップが、永続メモリの存在する場所です。

セッションを超えて無期限に存続する永続メモリ — MemoryLakeはメモリをモデルの外部に保存し、必要に応じて取得します。期限はなく、コンテキストウィンドウの制限もなく、セッションが終了してもリセットされません。メモリは日々、月々、年々蓄積されます。

異なる永続性ニーズのための型付きカテゴリ — すべての永続メモリが同じではありません。MemoryLakeは、バックグラウンド（静的アイデンティティ）、ファクト（バージョン管理された主張）、イベント（タイムライン）、会話（セッション履歴）、リフレクション（行動パターン）、スキル（再利用可能なワークフロー）を区別します。各タイプには適切なストレージセマンティクスがあります。

94.03%の精度でミリ秒単位の取得 — 永続メモリは、適切な情報を適切なタイミングで取得する場合にのみ有用です。MemoryLakeの#1 LoCoMoベンチマーク結果は、システムが最近のメモリだけでなく、関連するメモリを確実に引き出すことを意味します。

1. 接続 — REST API、Python SDK、またはMCPを介してMemoryLakeをAIアプリケーションに統合します。セッションメモリは、モデルのコンテキストウィンドウ内で常に動作し続けます。
2. 構造 — セッション終了時（または重要なイベントのためにセッション中）、関連情報を適切なMemoryLakeメモリタイプに書き込みます。セッションは終了しますが、メモリは終了しません。
3. 再利用 — 次のセッション開始時に、関連する永続メモリを取得し、選択的にコンテキストに注入します。モデルは空白の状態ではなく、蓄積された知識から始まります。

この比較は、ユーザー向け製品、内部ツール、またはエージェントシステムのAIメモリインフラストラクチャを設計する際の開発者やアーキテクトにとって有用です。同じユーザーまたは同じエージェントが複数のセッションにわたって関与する場合、永続メモリはあなたのアーキテクチャに必要です。