論文解説: MemEngine — LLMエージェントメモリの統一モジュラーフレームワーク

本記事は arXiv:2501.17893 の解説記事です。

論文概要（Abstract）

MemEngineは、LLMエージェントのメモリシステムを統一的かつモジュラーに構築するためのライブラリである。著者らは、既存のLLMエージェントがメモリを断片的かつアドホックに実装している問題を指摘し、Memory Operations（21種のアトミックプリミティブ）→ Memory Functions（11種の構成機能）→ Memory Models（6種のタスク特化型メモリシステム）の3層アーキテクチャを提案している。5つの多様なタスク（対話型QA、知識集約型QA、創作、推薦、AIコンパニオン）における実験から、タスク特性に応じた最適なメモリ設計パターンと、ハイブリッド検索がシングルモダリティ検索を一貫して上回るという知見が報告されている。

この記事は Zenn記事: LangGraph×Bedrock AgentCore Memoryで社内検索エージェントのメモリを本番運用するの深掘りです。

情報源

arXiv ID: 2501.17893
URL: https://arxiv.org/abs/2501.17893
著者: Zeyu Zhang, Quanyu Dai, Xiao-Ming Wu, Xu Chen, Rui Li, Zhenhua Dong, Zheng Zhang, Ji-Rong Wen
所属: Renmin University of China / Huawei Noah’s Ark Lab / Hong Kong Polytechnic University
発表年: 2025
分野: cs.AI, cs.CL
コード: https://github.com/nuster1128/MemEngine（Apache 2.0）

背景と動機（Background & Motivation）

LLMエージェントのメモリ実装には以下の3つの構造的問題がある。

断片化: メモリ実装がプロジェクトごとに分散しており、インターフェースに一貫性がない
アドホック設計: 特定ユースケース向けに設計され、再利用性が考慮されていない
ベンチマーク不在: 異なるメモリアプローチを体系的に比較する評価フレームワークが存在しない

Zenn記事で扱っているBedrock AgentCore Memoryは「セマンティック」「サマリー」「ユーザー嗜好」の3つのビルトイン戦略を提供しているが、これらがどのようなタスクで有効なのか、他のメモリ設計と比較してどう位置付けられるのかという体系的な知見は不足している。MemEngineはまさにこの問題に対し、メモリ設計の探索を容易にするフレームワークを提供する。

主要な貢献（Key Contributions）

著者らは以下の5点を貢献として挙げている。

統一インターフェース: memorize, recall, reflect, summarize, forget, consolidate の6メソッドで全モデル共通のAPIを実現
モジュラー設計: コンポーネントの組み合わせによるカスタムメモリシステムの構築
包括的カバレッジ: 21操作・11機能・6モデルで主要なメモリパラダイムを網羅
体系的ベンチマーク: 5つの多様なタスクでの比較実験を提供
実践的ガイダンス: タスクタイプ別の推奨メモリ設計を明示

技術的詳細（Technical Details）

3層メモリアーキテクチャ

MemEngineの中核設計は3層の抽象化にある。

graph TD
    A[Layer 3: Memory Models] --> B[Layer 2: Memory Functions]
    B --> C[Layer 1: Memory Operations]
    A1[ReadWriteMemory] --> B
    A2[SummarizeMemory] --> B
    A3[ReflectMemory] --> B
    A4[AssociativeMemory] --> B
    A5[HierarchicalMemory] --> B
    A6[DatabaseMemory] --> B

Layer 1: Memory Operations（21種のアトミックプリミティブ）

最低レベルの操作レイヤーは3カテゴリに分類される。

Write Operations（書き込み4種）:

操作名	機能
`WriteOperation`	情報単位の基本保存
`SummarizeWrite`	要約を生成して書き込み
`ReflectWrite`	反省・洞察を生成して保存
`DatabaseWrite`	構造化DBへの書き込み

Read Operations（読み出し7種）:

操作名	機能
`RecencyRead`	時間的新しさに基づく取得
`ImportanceRead`	重要度スコアに基づく取得
`SemanticRead`	ベクトル類似度による取得
`KeywordRead`	BM25/キーワードによる取得
`HybridRead`	複数戦略の組み合わせ
`DatabaseRead`	構造化DBクエリ
`ReflectionRead`	リフレクションストアからの取得

Management Operations（管理10種）:

ForgetOperation, CompressOperation, UpdateOperation, ConsolidateOperation, IndexOperation, FilterOperation, RankOperation, ReflectOperation, SummarizeOperation 等、メモリライフサイクル管理の操作群。

Layer 2: Memory Functions（11種の構成機能）

Operations を組み合わせた高レベル機能: Memorize, Recall, Reflect, Summarize, Forget, Search, Update, Consolidate, Manage, Index, Query。

Layer 3: Memory Models（6種の完全なメモリシステム）

モデル	特徴	最適タスク
ReadWriteMemory	設定可能な検索戦略を持つ基本メモリ	対話型QA、知識QA
SummarizeMemory	自動要約機能付き	長い対話の圧縮
ReflectMemory	リフレクション機能（Generative Agents着想）	創作
AssociativeMemory	関連概念をリンクする連想メモリ	推薦
HierarchicalMemory	多段階階層組織	AIコンパニオン
DatabaseMemory	構造化DBバック	構造化データ

ストレージバックエンドの選択

MemEngineは以下のバックエンドをサポートしている。

バックエンド	種別	用途
Python dict/list	インメモリ	短期セッション（非永続）
FAISS / ChromaDB	ベクトルストア	セマンティック類似検索
BM25 Index	スパース	キーワード検索
SQLite	RDB	構造化クエリ
ハイブリッド	複合	上記の組み合わせ

統一API設計

MemEngineの全モデルは以下の共通APIを提供する。

  
from memengine import MemoryFactory, MemoryConfig

# 設定からメモリを初期化
config = MemoryConfig.from_dict({
    "type": "ReadWriteMemory",
    "read": {"strategy": "hybrid", "top_k": 5},
    "write": {"strategy": "direct"},
    "storage": {"backend": "faiss"}
})
memory = MemoryFactory.create(config)

# コア統一API
memory.memorize("ユーザーはベジタリアン食を好む")
results = memory.recall("ユーザーの食事の好みは？")
insights = memory.reflect("このユーザーについて観察されるパターンは？")
summary = memory.summarize()
memory.forget(older_than_days=30)
memory.consolidate()

この設計はZenn記事で解説しているLangGraphのAgentCoreMemoryStoreのインターフェースと概念的に類似している。AgentCore MemoryがCreateEvent/RetrieveMemoryRecords APIで操作するのに対し、MemEngineはmemorize/recallの統一メソッドで抽象化している。

LangChain/LangGraph統合

MemEngineはLangChainアダプターも提供している。

  
from memengine.integrations import LangChainMemoryAdapter

lc_memory = LangChainMemoryAdapter(
    memory_type="ReadWriteMemory",
    config={"read": {"strategy": "hybrid"}}
)
# LangChainのチェーンで使用
chain = ConversationChain(llm=llm, memory=lc_memory)

実験結果（Results）

著者らは5つの多様なタスクで各メモリモデルの性能を比較している。

Task 1: Conversational QA（LoCoMo, F1スコア）

メモリモデル	F1
No Memory（ベースライン）	28.3
ReadWriteMemory (Recency)	41.7
ReadWriteMemory (Semantic)	44.2
SummarizeMemory	43.5
ReflectMemory	45.1
ReadWriteMemory (Hybrid)	46.8

対話型QAではHybridRead戦略が最も高い性能を示した。セマンティック検索単独と比較して+2.6ポイントの改善が報告されている。

Task 2: Knowledge QA（MuSiQue, EM/F1）

メモリモデル	EM	F1
No Memory	12.4	18.7
ReadWriteMemory (Keyword)	28.9	37.1
ReadWriteMemory (Semantic)	31.2	39.8
ReadWriteMemory (Hybrid)	33.6	42.4

知識集約型QAでも、ハイブリッド検索がEM +2.4ポイント（セマンティック比）の改善を達成した。

Task 3-5: Creative Writing / Recommendation / AI Companion

タスク	最適モデル	最高スコア
Creative Writing	ReflectMemory	Quality 7.4/10
Recommendation	AssociativeMemory	NDCG@10 0.257
AI Companion	HierarchicalMemory	Satisfaction 7.6/10

タスク特性に応じて最適なメモリモデルが異なるという知見は、エージェント設計において重要な示唆を与える。

ハイブリッド検索の分析

著者らが報告したハイブリッド検索の主要知見は以下の通りである。

セマンティック検索は「概念的類似性」マッチングで優位
キーワード検索は「固有名詞・日付・技術用語」の完全一致で優位
ハイブリッドは両者の強みを重大なオーバーヘッドなしに結合
alphaパラメータ（デフォルト0.5）で重み調整可能。高い値でセマンティック優先、低い値でキーワード優先

この知見は、Zenn記事で解説しているBedrock AgentCore Memoryのセマンティックメモリ戦略にも直接適用できる。AgentCore Memoryのセマンティック検索にBM25ベースのキーワードマッチングを補完的に組み合わせることで、検索精度の向上が期待される。

実装のポイント（Implementation）

タスクタイプ別の推奨設定

著者らが実験に基づいて推奨するタスク別設定を以下にまとめる。

タスク	推奨モデル	ストレージ	設定
対話型QA	ReadWriteMemory + HybridRead	FAISS + BM25	`alpha=0.5, top_k=5-10`
知識QA	ReadWriteMemory + HybridRead	FAISS + BM25	`alpha=0.4, top_k=10`
創作	ReflectMemory	FAISS	`reflection_threshold=5, depth=2`
推薦	AssociativeMemory	SQLite + FAISS	構造化スキーマ
AIコンパニオン	HierarchicalMemory	マルチレベル	`levels=3, working=10, episodic=100`

社内ナレッジ検索エージェントは「対話型QA」と「知識QA」の複合タスクであるため、ReadWriteMemory + HybridReadの設定が推奨される。これはZenn記事で解説しているAgentCore Memoryのセマンティック戦略と整合的であり、キーワード検索の補完が追加で有効となることを示唆している。

インストールと環境構築

  
pip install memengine
# 主要依存: openai/anthropic, faiss-cpu, rank-bm25
# オプション: langchain, chromadb

HierarchicalMemoryの設定例

3層階層メモリ（ワーキング→エピソード→セマンティック）の設定は以下の通りである。

  
from memengine import HierarchicalMemory

hier_memory = HierarchicalMemory(config={
    "levels": 3,
    "level_configs": [
        {"type": "working", "capacity": 10},
        {"type": "episodic", "capacity": 100},
        {"type": "semantic", "capacity": 1000}
    ]
})

この3層構造はAgentCore Memoryの「短期メモリ（チェックポイント）」と「長期メモリ（セマンティック/サマリー/嗜好）」の2層構造を、ワーキングメモリ層の追加によりさらに細分化した設計と対応付けることができる。

実運用への応用（Practical Applications）

MemEngineの3層アーキテクチャはBedrock AgentCore Memoryの設計と以下のように対応する。

MemEngine層	AgentCore Memory対応
WriteOperation → SummarizeWrite	サマリー戦略（SessionSummarizer）
ReadOperation → SemanticRead	セマンティック戦略（KnowledgeExtractor）
ReadOperation → HybridRead	セマンティック + キーワード（カスタム実装）
ManageOperation → ForgetOperation	TTL設定によるメモリ失効
AssociativeMemory	ユーザー嗜好戦略（UserPreferenceLearner）

MemEngineの実験から得られた「タスク別最適メモリモデル」の知見は、AgentCore Memoryのメモリ戦略選択の指針として活用できる。

システム	統一API	モジュラー	評価	モデル数
LangChain Memory	部分的	No	No	3
MemGPT	No	No	No	1
Generative Agents	No	No	限定的	1
A-MEM	No	No	No	1
MemEngine	Yes	Yes	Yes (5タスク)	6

まとめと今後の展望

MemEngineは「メモリ操作→メモリ機能→メモリモデル」の3層抽象化により、LLMエージェントのメモリ設計を体系化したフレームワークである。5タスクでの実験から「ハイブリッド検索が事実関係タスクで一貫して優位」「タスク特性により最適メモリモデルが異なる」という実践的な知見が得られている。

Zenn記事で解説しているAgentCore Memoryの設計判断（セマンティック/サマリー/嗜好の3戦略選択）を客観的に評価する枠組みとして、MemEngineのタスク別ベンチマーク結果は有用な参考指標となる。

参考文献

arXiv: https://arxiv.org/abs/2501.17893
Code: https://github.com/nuster1128/MemEngine
Related Zenn article: https://zenn.dev/0h_n0/articles/b622546d617231

:::message この記事はAI（Claude Code）により自動生成されました。内容の正確性については原論文・公式リポジトリでご確認ください。 :::

📄 論文解説: MemEngine — LLMエージェントメモリの統一モジュラーフレームワーク

論文概要（Abstract）

情報源

背景と動機（Background & Motivation）

主要な貢献（Key Contributions）

技術的詳細（Technical Details）

3層メモリアーキテクチャ

Layer 1: Memory Operations（21種のアトミックプリミティブ）

Layer 2: Memory Functions（11種の構成機能）

Layer 3: Memory Models（6種の完全なメモリシステム）

ストレージバックエンドの選択

統一API設計

LangChain/LangGraph統合

実験結果（Results）

Task 1: Conversational QA（LoCoMo, F1スコア）

Task 2: Knowledge QA（MuSiQue, EM/F1）

Task 3-5: Creative Writing / Recommendation / AI Companion

ハイブリッド検索の分析

実装のポイント（Implementation）

タスクタイプ別の推奨設定

インストールと環境構築

HierarchicalMemoryの設定例

実運用への応用（Practical Applications）

関連研究（Related Work）

まとめと今後の展望

参考文献

📄 論文解説: MemEngine — LLMエージェントメモリの統一モジュラーフレームワーク

論文概要（Abstract）

情報源

背景と動機（Background & Motivation）

主要な貢献（Key Contributions）

技術的詳細（Technical Details）

3層メモリアーキテクチャ

Layer 1: Memory Operations（21種のアトミックプリミティブ）

Layer 2: Memory Functions（11種の構成機能）

Layer 3: Memory Models（6種の完全なメモリシステム）

ストレージバックエンドの選択

統一API設計

LangChain/LangGraph統合

実験結果（Results）

Task 1: Conversational QA（LoCoMo, F1スコア）

Task 2: Knowledge QA（MuSiQue, EM/F1）

Task 3-5: Creative Writing / Recommendation / AI Companion

ハイブリッド検索の分析

実装のポイント（Implementation）

タスクタイプ別の推奨設定

インストールと環境構築

HierarchicalMemoryの設定例

実運用への応用（Practical Applications）

関連研究（Related Work）

まとめと今後の展望

参考文献

関連記事

📄 NeurIPS 2025論文解説: A-MEM — Zettelkasten方式によるLLMエージェントの自律的メモリ管理

📄 論文解説: Mem0 — ベクトルDB×グラフDBで実現するプロダクション向けLLMエージェント長期記憶

📄 論文解説: ReAct - Synergizing Reasoning and Acting in Language Models