nevamind-ai--memu/readme/README_ja.md

memU

個人の記憶を、ファイルとして

高速な検索 · 高い精度 · 低コスト

English | 中文 | 日本語 | 한국어 | Español | Français

---

Warning

🚧 大規模改修中 — memU は大規模なリワークを進めており、API・CLI コマンド・ドキュメントは予告なく変更される可能性があります。2026年7月15日頃に安定する見込みです。

memU は、会話、ドキュメント、コード、画像、音声、動画、URL、ツールトレースを、人間が読める Markdown ファイル（INDEX.md、MEMORY.md、SKILL.md）にコンパイルします。エージェントはファイルツリーをたどり、その場に必要な記憶だけを読み込みます——すべてをスキャンしたり、長い履歴を毎回のプロンプトに詰め込んだりする必要はありません：

• INDEX.md —— 全体のマップ：カテゴリ、ファイル、サマリー。まずどこを見るべきかをエージェントに示す
• MEMORY.md —— プロフィール、嗜好、目標、事実、およびソースデータから抽出した主要な出来事
• SKILL.md —— ツールトレースから自動抽出され、毎回の memorize() で洗練される再利用可能なツールパターンとワークフロー

workspace/
├── INDEX.md              ← 全体のマップ：カテゴリ、ファイル、サマリー
├── MEMORY.md             ← プロフィール、嗜好、目標、主要な出来事
└── skill/
    ├── {skill_name}/
    │   └── SKILL.md       ← 学習したスキルまたはツールのパターン
    └── {another_skill}/
        └── SKILL.md

すべてをプロンプトに詰め込む方式との違いは 3 点です：

• 高速な検索 —— 毎回すべてをスキャンするのではなく、関連フォルダへたどり着き、ファイルをランク付けする。
• 高い精度 —— ユーザー、タスク、セッションでスコープを絞り、各項目を元のソースまで遡れる。
• 低コスト —— 長い履歴を毎回注入するのではなく、コンパクトでスコープされたコンテキストだけを取得する。
• 監査可能 —— 人間が読めるファイルツリーを監査・編集し、独自のストレージと LLM プロバイダーでルーティングできる。

---

🔄 仕組み

2 つのファイルシステム操作として考えてください：生のソースを整理された記憶に書き込み、適切なファイルをエージェントに読み戻す。

WRITE — memorize()                                         READ — retrieve()
──────────────────────────────────────────────            ──────────────────────────────────────────────
raw files        →  extract  →  files + folders            query  →  walk folders  →  ranked files
─────────────       ─────────    ──────────────            ─────     ────────────     ─────────────
chat logs        →  parse    →  profile / event items      user / task query
documents / URLs →  facts    →  knowledge / skill items       │
images / video   →  caption  →  resources + summaries         ├─ route + scope    → relevant folders (categories)
audio            →  transcribe→ event / knowledge items       ├─ rank by relevance → matching files (items)
tool logs        →  mine      → tool / skill items            └─ trace to source   → original resources

ファイルシステムへの書き込み（memorize）

1. 取り込み（Ingest） — 各ソースを Resource（生のファイル）として、そのモダリティとソースの場所とともに保存する
2. 前処理（Preprocess） — テキストを解析し、画像/動画にキャプションを付け、音声を文字起こしし、入力を正規化する
3. 抽出（Extract） — 生のコンテンツを型付きの RecallEntry レコード（ファイル）に変換する：profile、event、knowledge、behavior、skill、tool の記憶
4. 整理（Organize） — アイテムを RecallFile フォルダ（記憶カテゴリ、またはスキル）に振り分け、相互リンクし、埋め込みを作り、閲覧可能なツリーへ要約する
5. 永続化（Persist） — 設定されたバックエンドを通じてレコード、関係、埋め込み、フォルダのサマリーを書き込む

ファイルシステムからの読み込み（retrieve）

6. 検索（Retrieve） — フォルダをたどり、現在のユーザー、エージェント、セッション、タスクに関連するファイルだけを返す

---

🗂️ 記憶ファイルシステム

memU の主要な出力は、ナビゲート可能な記憶のツリーです——フォルダ、ファイル、そしてそれらの背後にあるソース素材——リポジトリ契約を通じて永続化され、memorize() と retrieve() から辞書として返されます。

RecallFile                           ← フォルダ：進化するサマリーを持つトピック
├── name, track (memory | skill), description, content
├── embedding
└── RecallEntry[]                    ← ファイル：型付きのアトミックな記憶
    ├── memory_type: profile | event | knowledge | behavior | skill | tool
    ├── summary, extra, happened_at, embedding
    └── Resource                     ← ソース：この記憶の由来となった生のファイル
        └── url, modality, local_path, caption, embedding

レコード	ファイルシステム上の役割	用途
RecallFile	フォルダ — 関連する記憶をまとめ（またはスキルを保持し）、トピックレベルのサマリーを保持する。track フィールドが memory か skill かを示す	広いクエリ向けにコンパクトなコンテキストを読み込む
RecallEntry	ファイル — サマリーと任意のメタデータを持つ型付きアトミック記憶	正確な事実、嗜好、出来事、スキル、ツールパターンを注入する
Resource	ソース素材 — 記憶の背後にある元ファイル（キャプション/テキスト付き）	コンテキストをその由来まで遡る
RecallFileEntry	リンク — アイテムをフォルダ配下に振り分けるエッジ	ソースを再処理せずに関連する記憶をナビゲートする

これによりエージェントは安定した記憶のファイルシステムを得ます：生のソースは一度取り込めばよく、以降はすべてのソース素材を読み直す代わりに、スコープ付き・ランク付けされたファイルを要求できます。

---

🧩 memU が構築するもの

ファイルシステムの各層は構造化レコードとして保存されます：

層	何を表すか	エージェントが使う理由
RecallFile	自動生成されるフォルダ：進化するサマリーを持つトピック（またはスキル）	詳細に踏み込む前に高レベルのコンテキストを読み込む
RecallEntry	ファイル：型とサマリーを持つアトミックな構造化記憶	正確な事実、嗜好、出来事、スキル、ツールパターンを注入する
Resource	ファイルの背後にあるソース素材：会話、ドキュメント、画像、動画、音声、URL、ファイル	記憶をその由来まで遡る
RecallFileEntry	アイテムをフォルダ配下に振り分けるリンク	ソースを再処理せずに関連する記憶をナビゲートする
Embedding	フォルダ・ファイル・ソースにまたがるベクトルインデックス	低レイテンシで関連コンテキストを検索する

memorize() の出力例：

{
  "resource": {
    "id": "res_01",
    "url": "files/launch-meeting.mp4",
    "modality": "video",
    "caption": "A product planning discussion about onboarding and launch risks."
  },
  "items": [
    {
      "id": "mem_01",
      "memory_type": "event",
      "summary": "The team decided to simplify onboarding before the next launch review."
    },
    {
      "id": "mem_02",
      "memory_type": "profile",
      "summary": "The user prefers concise implementation plans with explicit verification steps."
    },
    {
      "id": "mem_03",
      "memory_type": "tool",
      "summary": "Use repository-wide search before editing configuration files to avoid missing duplicated settings."
    }
  ],
  "categories": [
    {
      "id": "cat_01",
      "name": "product_goals",
      "summary": "Current launch priorities, onboarding decisions, and unresolved risks."
    }
  ],
  "relations": [
    { "item_id": "mem_01", "category_id": "cat_01" }
  ]
}

その後、エージェントは retrieve() を呼び出してスコープ付き・ランク付けされたコンテキストのペイロードを取得できます：

context = await service.retrieve(
    queries=[{"role": "user", "content": {"text": "What context matters for this launch task?"}}],
    where={"user_id": "123"},
)

---

⭐️ リポジトリにスターを

memU が役に立つ・面白いと感じたら、GitHub のスター ⭐️ をいただけると大変ありがたいです。

---

✨ 主な機能

機能	説明
🗂️ マルチモーダル取り込み	会話、ドキュメント、画像、動画、音声、URL、ログ、ローカルファイルを記憶に書き込む
📁 記憶ファイルシステム	フォルダ（カテゴリ）、ファイル（アイテム）、ソース素材、リンク、サマリー、埋め込みを永続化する
🧠 型付き記憶の抽出	生のソースから profile、event、knowledge、behavior、skill、tool の記憶を抽出する
🧭 自己組織化フォルダ	手動タグ付けなしでカテゴリ、リンク、サマリー、埋め込みを自動構築する
🤖 エージェント対応の検索	任意のエージェントワークフローに注入できる、スコープ付き・ランク付けされたコンテキストを読み出す
🧱 プラグイン可能なストレージ	同一のリポジトリ契約で in-memory、SQLite、Postgres バックエンドを使い分ける
🔀 プロファイルベースの LLM ルーティング	設定可能な LLM プロファイルでチャット、埋め込み、ビジョン、文字起こしの処理をルーティングする

---

🎯 ユースケース

1. 会話の記憶

チャットログをユーザーの嗜好、目標、出来事、関係性のコンテキストに変える。

await service.memorize(
    resource_url="examples/resources/conversations/conv1.json",
    modality="conversation",
    user={"user_id": "123"},
)

context = await service.retrieve(
    queries=[{"role": "user", "content": {"text": "What should I remember about this user?"}}],
    where={"user_id": "123"},
)

2. コーディングエージェント向けのワークスペースコンテキスト

ドキュメント、PR メモ、ログ、設計判断を再利用可能なプロジェクト記憶に変える。

await service.memorize(resource_url="docs/architecture.md", modality="document")
await service.memorize(resource_url="examples/resources/logs/log1.txt", modality="document")

context = await service.retrieve(
    queries=[{"role": "user", "content": {"text": "How should I structure this module?"}}],
)

3. マルチモーダルなナレッジ層

ドキュメント、スクリーンショット、画像、動画、音声メモから検索可能な事実を抽出する。

await service.memorize(resource_url="examples/resources/docs/doc1.txt", modality="document")
await service.memorize(resource_url="examples/resources/images/image1.png", modality="image")
# Audio is supported for your own .mp3/.wav/.m4a files.
await service.memorize(resource_url="meeting-audio.mp3", modality="audio")

context = await service.retrieve(
    queries=[{"role": "user", "content": {"text": "What matters for the next research plan?"}}],
)

4. ツールとエージェントの学習

実行トレースをツール記憶に変え、将来のエージェントにいつツールを使うべきか・どんな失敗を避けるべきかを伝える。

await service.memorize(resource_url="examples/resources/logs/log1.txt", modality="document")

context = await service.retrieve(
    queries=[{"role": "user", "content": {"text": "Which tools worked for config editing?"}}],
)

---

🗂️ アーキテクチャ

記憶ファイルシステムは、閲覧できるほど階層的であり、直接検索できるほど構造化されています：

層	主な役割	検索での役割
Category（フォルダ）	トピックレベルのサマリーを維持する	広いクエリ向けにコンパクトなコンテキストを組み立てる
Item（ファイル）	型付きのアトミック記憶を保存する	正確な事実、出来事、嗜好、スキル、ツールパターンを読み込む
Resource（ソース）	ソース素材とキャプションを保持する	アイテム/カテゴリのサマリーで不十分なとき元のコンテキストを呼び戻す

MemoryService、ワークフローパイプライン、ストレージバックエンド、LLM ルーティングのランタイムビューについては docs/architecture.md を参照してください。

---

🚀 クイックスタート

オプション 1：クラウド版

👉 memu.so — 取り込み、構造化記憶、検索をマネージドで提供するホスト型 API

エンタープライズ導入：info@nevamind.ai

Cloud API (v3)

Base URL	https://api.memu.so
Auth	Authorization: Bearer <token>

Method	Endpoint	Description
POST	/api/v3/memory/memorize	生データを取り込み構造化記憶を構築する
GET	/api/v3/memory/memorize/status/{task_id}	処理ステータスを確認する
POST	/api/v3/memory/categories	自動生成されたカテゴリを一覧する
POST	/api/v3/memory/retrieve	エージェントのコンテキストを得るために記憶を検索する

📚 完全な API ドキュメント

---

オプション 2：セルフホスト

インストール

本リポジトリのクローンから：

uv sync
# または、フルの開発セットアップ：
make install

公開パッケージをインストールする場合：

pip install memu-py

要件：Python 3.13+。デフォルトの例は OpenAI を使うため、OPENAI_API_KEY を設定するか、llm_profiles で別のプロバイダーを渡してください。

インメモリのスモークスクリプトを実行：

export OPENAI_API_KEY=your_key
cd tests
uv run python test_inmemory.py

PostgreSQL + pgvector で実行：

uv sync --extra postgres
docker run -d --name memu-postgres \
  -e POSTGRES_USER=postgres \
  -e POSTGRES_PASSWORD=postgres \
  -e POSTGRES_DB=memu \
  -p 5432:5432 \
  pgvector/pgvector:pg16

export OPENAI_API_KEY=your_key
export POSTGRES_DSN=postgresql+psycopg://postgres:postgres@127.0.0.1:5432/memu
cd tests
uv run python test_postgres.py

---

カスタム LLM と埋め込みプロバイダー

from memu import MemUService

service = MemUService(
    llm_profiles={
        "default": {
            "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "api_key": "your_key",
            "chat_model": "qwen3-max",
            "client_backend": "sdk"
        },
        "embedding": {
            "base_url": "https://api.voyageai.com/v1",
            "api_key": "your_key",
            "embed_model": "voyage-3.5-lite"
        }
    },
)

---

OpenRouter 連携

from memu import MemoryService

service = MemoryService(
    llm_profiles={
        "default": {
            "provider": "openrouter",
            "client_backend": "httpx",
            "base_url": "https://openrouter.ai",
            "api_key": "your_key",
            "chat_model": "anthropic/claude-3.5-sonnet",
            "embed_model": "openai/text-embedding-3-small",
        },
    },
    database_config={"metadata_store": {"provider": "inmemory"}},
)

---

📖 コア API

memorize() — 生データを構造化する

result = await service.memorize(
    resource_url="path/to/file.json",    # ローカルファイルパスまたは HTTP URL
    modality="conversation",            # conversation | document | image | video | audio
    user={"user_id": "123"},            # 任意：ユーザーやエージェントにスコープを限定
)
# 処理完了後に返る：
# { "resource": {...}, "items": [...], "categories": [...], "relations": [...] }

• 生の入力を型付きのメモリアイテムに変換する
• 手動タグ付けなしでアイテムを分類し埋め込みを作る
• ソースリソースとアイテム–カテゴリ関係を保持する

---

retrieve() — エージェントのコンテキストを読み込む

# 検索戦略は retrieve_config でサービスに一度だけ設定します：
#   MemoryService(retrieve_config={"method": "rag"})   # ベクトル優先の想起
#   MemoryService(retrieve_config={"method": "llm"})   # LLM ランク付けの想起
result = await service.retrieve(
    queries=[{"role": "user", "content": {"text": "What are their preferences?"}}],
    where={"user_id": "123"},   # スコープフィルタ
)
# 返り値：
# {
#   "needs_retrieval": true,
#   "original_query": "...",
#   "rewritten_query": "...",
#   "next_step_query": "...",
#   "categories": [...],
#   "items": [...],
#   "resources": [...]
# }

retrieve_config.method	動作	コスト	適した用途
rag	ベクトル優先のカテゴリ/アイテム/リソース想起。任意の LLM ルーティングと充足性チェックがデフォルトで有効	route_intention と sufficiency_check を無効にしない限り、埋め込みに加えて LLM 呼び出し	推論を制御可能にした高速なスコープ想起
llm	LLM がランク付けするカテゴリ/アイテム/リソース想起	各階層での LLM ランク付け	より深い意味的ランク付け

---

💡 サンプルワークフロー

学び続けるアシスタント

export OPENAI_API_KEY=your_key
uv run python examples/example_1_conversation_memory.py

嗜好を自動的に抽出し、関係モデルを構築し、将来の会話で関連コンテキストを浮かび上がらせます。

自己改善するエージェント

uv run python examples/example_2_skill_extraction.py

エージェントの行動を監視し、成功と失敗のパターンを特定し、経験からスキルガイドを自動生成します。

マルチモーダル・コンテキストビルダー

uv run python examples/example_3_multimodal_memory.py

テキスト、画像、ドキュメントを自動的に相互参照し、統一された記憶層にまとめます。

---

📊 パフォーマンス

memU は Locomo ベンチマークのすべての推論タスクで 平均 92.09% の精度 を達成しています。

詳細な結果を見る：memU-experiment

---

🧩 エコシステム

リポジトリ	説明
memU	コアの記憶ファイルシステム —— 取り込み、抽出、検索
memU-server	リアルタイム同期と webhook トリガーを備えたバックエンド
memU-ui	記憶を閲覧・監視するためのビジュアルダッシュボード

クイックリンク：

• 🚀 MemU Cloud を試す
• 📚 API ドキュメント
• 💬 Discord コミュニティ

---

🤝 パートナー

---

🤝 コントリビュート

# フォークしてクローン
git clone https://github.com/YOUR_USERNAME/memU.git
cd memU

# 開発依存をインストール
make install

# 送信前に品質チェックを実行
make check

詳しいガイドラインは CONTRIBUTING.md を参照してください。

前提条件： Python 3.13+、uv、Git

---

📄 ライセンス

Apache License 2.0

---

🌍 コミュニティ

• GitHub Issues：バグ報告と機能リクエスト
• Discord：コミュニティに参加
• X (Twitter)：@memU_ai をフォロー
• 連絡先：info@nevamind.ai

---

⭐ GitHub でスターを つけて、新リリースの通知を受け取りましょう！