1960年代のドイツ・ビーレフェルト。書斎に座った社会学者ニクラス・ルーマンは、白いカードを1枚取り出しました。

カードには、たった今読んだ本の一節が書かれています。しかし、彼はそれをそのまま箱に入れません。5分間、過去のカードを読み返し、関連するカードを探します。見つけたカードの番号を新しいカードに書き込み、互いに「リンク」させました。

この儀式を、彼は 40年間 続けました。蓄積されたカードは 90,000枚。執筆した本は 70冊、論文は 400本以上。彼はこのシステムを Zettelkasten（ツェッテルカステン） と呼び、「私の第二の脳」「会話相手」とまで表現しました。

2025年1月、Rutgers大学の若手研究者Wujiang Xuは、ある問題に直面していました。

「なぜLLMは、長い文章の真ん中を理解できないのか？」

実験結果は衝撃的でした。LLMは文書の 最初と最後は80%以上 理解するのに、真ん中は40%未満 しか理解できません。まるで、小説の序章と結末だけを読んで、中盤のクライマックスを見落とすように。

この「Lost in the Middle」問題を解決するために、Xuが辿り着いたのが、50年前のルーマンのカードでした。

論文のタイトルは 「A-MEM: Agentic Memory for LLM Agents」。結果は驚異的でした。複雑な推論タスクで 2倍の性能向上、同時に 90%以上のトークンコスト削減。

2025年12月、この研究はAIトップカンファレンス NeurIPS 2025 に採択されました。

なぜ50年前の「紙のカード」が、最先端AIの記憶問題を解決したのか？ 本記事では、A-MEM論文の全貌を解説します。

“

本記事の表記について

• 下線付きの用語にカーソルを合わせると解説が表示されます

“

関連記事: 本記事は「AIエージェント論文おすすめ9選」の詳細解説記事です。他の論文も合わせてご覧ください。

この記事でわかること

1. A-MEMの基本概念: エージェントが自律的に記憶を保存・検索・更新する仕組み
2. RAGとの違い: 静的なドキュメント検索ではなく、動的な経験管理を実現
3. 実践的なユースケース: 長期プロジェクト、パーソナライズ、継続学習への応用

基本情報

“

次のセクションへ: なぜ最先端のLLMでさえ「記憶」できないのか？ その答えは、人間の脳とは根本的に異なる設計にあります。

なぜエージェントに「記憶」が必要なのか

LLMは「真ん中」を忘れる

「長いコンテキスト＝良い」——これはAI業界の常識でした。しかし、スタンフォード大学とワシントン大学の研究が、この常識を覆しました。

実験は単純でした。複数の文書から特定の事実を探すタスクで、情報の位置を変えて LLMの正解率を測定します。

結果は衝撃的でした：

グラフは完璧な U字カーブ を描きました。LLMは、文章の「真ん中」に書かれた情報を見落とす傾向があります。精度低下は30%以上。これは、注意機構（attention）が「最初」と「最後」に偏っているためです。

現在のLLMには「コンテキストウィンドウ」という入力トークン数の制限があります。主要なモデルのトークン数は以下の通りです：

一見十分に見えます。しかし、「真ん中を忘れる」問題と合わせると、長いコンテキストは むしろ逆効果 になる可能性があります。長期プロジェクトや継続的な会話では、重要な情報が真ん中に埋もれてしまう問題が発生します。

従来の記憶手法の課題

RAG（検索拡張生成） は静的なドキュメントの検索には優れます。しかし、動的な「経験」の管理には不向きです。「先週の会議で決めたこと」のような文脈依存の情報に弱いという問題があります。

ベクトルDB + 埋め込み は類似度ベースの検索を提供します。しかし、時間的な文脈や重要度を考慮できません。記憶の「更新」「統合」「忘却」もできないため、人間の記憶とは異なります。

人間の記憶システムとの比較

人間の記憶は単なる「保存」ではありません。以下の4つの機能を持ちます：

• 整理: 関連する記憶をグループ化
• 統合: 類似の経験を抽象化
• 忘却: 重要でない情報を削除
• 文脈検索: 状況に応じた想起

A-MEMは、これらの人間的な記憶機能をエージェントに実装するフレームワークです。

“

次のセクションへ: では、A-MEMは具体的にどうやって「人間的な記憶」を実現するのか？ その答えは、ルーマンのZettelkastenにあります。

A-MEMの仕組みを図解で理解

A-MEM（エージェンティックメモリ）概念図

A-MEMの核心は、記憶の保存・検索・更新を自律的に行うアーキテクチャです。以下の3つのコンポーネントで構成されます。

Memory Store（記憶の保存）

記憶は構造化されたフォーマットで保存されます。

{
  "memory_id": "mem_001",
  "content": "顧客Aは価格より品質を重視する",
  "context": "2024年12月の商談",
  "importance": 0.85,
  "connections": ["mem_002", "mem_005"],
  "created_at": "2024-12-15",
  "accessed_count": 12
}

各フィールドの役割:

• importance: 記憶の重要度スコア（0〜1の値）
• connections: 関連する他の記憶へのリンク
• accessed_count: アクセス頻度（重要度更新に使用）

Memory Controller（自律的管理）

エージェント自身が記憶を管理します。以下の4つの機能を自動で実行します。

1. 記憶の追加

新しい経験を既存の記憶と照合します。適切な場所に保存し、関連する記憶とリンクします。

2. 記憶の統合

類似した記憶を検出します。より抽象的な知識に統合することで、記憶を効率化します。

[記憶A] 顧客Aは納期を重視
[記憶B] 顧客Bは納期を重視
[記憶C] 顧客Cは納期を重視
    ↓ 統合
[新記憶] 中小企業顧客は一般的に納期を重視する傾向

3. 記憶の更新

矛盾する情報を検出します。最新の情報で既存の記憶を更新し、一貫性を保ちます。

4. 記憶の整理

使用頻度の低い記憶を削除または圧縮します。これにより、重要な情報だけを保持します。

Retrieval System（検索メカニズム）

従来のベクトル類似度検索に加え、以下の4つの要素を考慮した検索を実行します：

• 時間的近接性: 最近の記憶を優先的に検索
• 文脈関連性: 現在のタスクとの関連度を評価
• 重要度: 過去のアクセス頻度や明示的な重要度スコアを考慮
• 連想: 記憶間のリンクを辿った関連情報を取得

これにより、単なるキーワードマッチではなく、文脈に応じた適切な記憶を想起できます。

“

次のセクションへ: A-MEMの仕組みは分かりました。では、従来のRAGとは何が違うのか？ 「図書館」と「記憶」の根本的な違いを見てみましょう。

従来のRAGとの違い

従来のメモリ vs A-MEM比較

RAGとA-MEMの使い分け

両者は排他的ではなく、補完的な関係にあります。以下のように使い分けることで効果を最大化できます：

• RAG: 「この製品の仕様書を調べて」（静的知識の検索）
• A-MEM: 「前回の打ち合わせで話した内容を踏まえて提案して」（動的な経験の活用）

“

次のセクションへ: 理論は分かりました。では、A-MEMは実際にどれくらい性能が上がるのか？ ベンチマーク結果を見てみましょう。

実験結果：どれくらい性能が上がるのか

論文では、複数のベンチマークで検証が行われました。

ベンチマーク結果

特に**MultiSession（複数セッション対話）での+18.7%**は注目すべき結果です。A-MEMの長期記憶能力が証明されています。

なぜ性能が向上するのか

性能向上の理由は以下の3つです：

1. 文脈の維持: 過去の会話内容を適切に参照できる
2. 矛盾の解消: 古い情報と新しい情報を適切に統合する
3. 効率的な検索: 必要な記憶だけを取得してコンテキストを節約する

実装方法：Pythonでの簡易実装例

“

技術的な実装に興味がない方は読み飛ばしてOK

このセクションでは、A-MEMの基本的な実装方法を解説します。

基本的なコード構造

やっていること: A-MEMの記憶管理システムを実装（記憶の追加・検索・重要度スコアリング）

from dataclasses import dataclass
from datetime import datetime
from typing import List, Dict
import numpy as np

@dataclass
class Memory:
    id: str
    content: str
    context: str
    importance: float
    connections: List[str]
    created_at: datetime
    accessed_count: int = 0
    embedding: np.ndarray = None

class AgenticMemory:
    def __init__(self, llm_client):
        self.memories: Dict[str, Memory] = {}
        self.llm = llm_client

    def add_memory(self, content: str, context: str):
        # Evaluate importance using LLM
        importance = self._evaluate_importance(content)
        # Find related memories
        related = self._find_related_memories(content)
        # Create memory
        memory = Memory(
            id=f"mem_{len(self.memories)}",
            content=content,
            context=context,
            importance=importance,
            connections=[m.id for m in related],
            created_at=datetime.now()
        )
        self.memories[memory.id] = memory
        # Consolidate if needed
        self._consolidate_if_needed(memory)

    def retrieve(self, query: str, k: int = 5) -> List[Memory]:
        # Context-aware memory retrieval
        candidates = []
        for memory in self.memories.values():
            score = self._calculate_relevance(query, memory)
            candidates.append((memory, score))
        # Sort by score and return top k
        candidates.sort(key=lambda x: x[1], reverse=True)
        return [m for m, _ in candidates[:k]]

    def _calculate_relevance(self, query: str, memory: Memory) -> float:
        # Calculate relevance score
        # similarity + recency + importance + access frequency
        similarity = self._cosine_similarity(query, memory.content)
        recency = self._recency_score(memory.created_at)
        return (
            0.4 * similarity +
            0.2 * recency +
            0.2 * memory.importance +
            0.2 * min(memory.accessed_count / 10, 1.0)
        )

実装の3つのポイント

1. 重要度の自動評価: LLMを使って記憶の重要度を自動判定します
2. 複合スコアリング: 類似度だけでなく、時間・重要度・アクセス頻度を総合的に評価します
3. 自動統合: 類似した記憶を検出して自動的に統合します

ユースケース

1. パーソナライズされた顧客対応

シナリオ: カスタマーサポートエージェント

[過去の記憶]
- 顧客Aは技術に詳しく、詳細な説明を好む
- 顧客Aは過去にプランBで不満を持っていた

[現在の質問]
「新しいプランを検討しています」

[A-MEMによる応答]
「技術仕様を詳しくご説明いたします。前回プランBでご指摘いただいた
同時接続数の制限は、新プランCでは解消されています...」

2. 学習するエージェント

シナリオ: プロジェクト管理支援エージェント

このエージェントは以下の3つの機能を持ちます：

• 過去のプロジェクトで発生した問題を記憶
• 類似状況を検出して事前に警告
• 成功パターンを学習して提案に活用

[記憶の統合例]
プロジェクトA: 要件定義フェーズの長期化で遅延
プロジェクトB: 要件定義の曖昧さで手戻り発生
プロジェクトC: 要件定義の承認プロセスで遅延
    ↓
[統合された知見]
「要件定義フェーズは遅延リスクが高い。
 早期に明確化と承認プロセスの設計が重要」

3. 継続的なコンサルティング支援

シナリオ: 長期DX支援プロジェクト

長期プロジェクトでの活用例です：

• 3ヶ月前の戦略会議の決定事項を記憶
• 中間レビューでの変更点を追跡
• 一貫性のある提案を継続

FAQ

Q1. RAGとの違いは？

RAG（検索拡張生成） は静的なドキュメントの検索に特化しています。事前に用意された知識ベースから情報を取得します。

A-MEM は動的な経験の管理を行います。エージェントが自律的に記憶を整理・更新・検索します。

両者は排他的ではなく、RAGで知識を、A-MEMで経験を管理する併用が効果的です。

Q2. どんなタスクに効果的？

A-MEMは以下の3つのタスクで特に効果を発揮します：

• 長期的なプロジェクト管理: 決定事項の追跡と文脈の維持
• パーソナライズ対応: 顧客ごとの好み・履歴の活用
• 継続的な学習: 経験からの知見抽出と再利用

Q3. 実装は公開されている？

はい、GitHubでオープンソース実装が公開されています。

公式実装:

• WujiangXu/A-mem - 筆頭著者による公式実装
• agiresearch/A-mem - 研究グループ版

6つの基盤モデル（GPT-4、Claude等）で動作確認済みです。

類似機能を持つフレームワーク:

• LangChain Memory: 基本的な会話履歴管理
• MemGPT（Letta）: OS風の階層的メモリ管理
• Mem0: グラフベースのメモリ管理

Q4. 計算コストはどれくらい？

記憶の統合・評価にLLM呼び出しが必要なため、追加のAPIコストが発生します。

ただし、コンテキストウィンドウの効率的な活用により、長期的にはコスト削減になる可能性があります。必要な情報だけを取得することで、トータルのトークン使用量を抑えられるためです。

Q5. 既存のRAGシステムとの併用は可能？

はい、可能です。両者は排他的ではなく、補完的な関係にあります。

効果的な併用方法:

• RAG: 静的な知識ベース（製品マニュアル、FAQ等）を検索
• A-MEM: 動的な経験（過去の会話履歴、顧客の好み等）を管理

この組み合わせにより、知識と経験の両方を活用できます。

【驚きの事実】A-MEMの舞台裏

50年前の「紙のカード」がヒントに

A-MEMの設計は、ドイツの社会学者ニクラス・ルーマン（1927-1998）の Zettelkasten（ツェッテルカステン） から着想を得ています。

ルーマンは、自分のメモ帳を「独立した思考パートナー」と呼び、「予想外のアイデアを引き出してくれる」と語っていました。

“

"Over time, it evolved into what Luhmann considered to be an independent thought partner in his research, capable of carrying on a conversation with him and eliciting ideas which genuinely surprised him." （時が経つにつれ、このシステムは彼にとって独立した思考パートナーとなり、対話を通じて彼を驚かせるアイデアを引き出すようになった）

A-MEMも同様に、単なる「保存→検索」ではなく、記憶同士が「進化」する設計になっています。

研究者たちの挑戦

A-MEMの開発を主導したのは、Rutgers大学のWujiang Xuです。

Wujiang Xu（筆頭著者）:

• 所属: Rutgers University（2025年時点でMeta Research Intern）
• 経歴: Tencent、ByteDance、Ant Groupでのインターン経験
• 専門: 強化学習とLLMエージェントの融合

Yongfeng Zhang（指導教員）:

• 所属: Rutgers University, Department of Computer Science（Professor）
• 専門: 推薦システム、LLMエージェント、AI倫理
• 業績: 「AIOS（LLMエージェントOS）」「MoralBench（LLMの道徳評価）」などの研究に関与

Xuは、Meta、Tencent、ByteDanceといった産業界での経験を持ちながら、学術界でLLMエージェントの長期記憶問題に取り組みました。この研究は、2025年12月に NeurIPS 2025（機械学習のトップカンファレンス）に採択され、Poster発表として注目を集めました。

NeurIPS 2025採択の意義:

NeurIPSは、機械学習分野で最も権威あるカンファレンスの1つです。採択率は約20-25%と非常に厳しく、採択されること自体が研究の質の高さを証明しています。A-MEMは、AppleのPodcastでNeurIPS 2025の論文解説エピソードとしても取り上げられるなど、業界の注目を集めました。

A-MEMが解決した3つの問題

A-MEMは、記憶の動的なリンク構造で以下の3つの問題を解決しています：

1. Lost in the Middle（真ん中を忘れる）問題

スタンフォード大学とワシントン大学の研究で判明したU字カーブ問題です。A-MEMは、重要な情報を 記憶として抽出 することで、コンテキストの位置依存性を回避します。

2. コンテキストの爆発

長期プロジェクトでは、過去の情報が膨大になります。A-MEMは、記憶の統合と忘却 により、必要な情報だけを保持します。

3. 文脈の喪失

従来のRAGは「似た文章」を探すだけで、「誰が」「いつ」「なぜ」といった文脈を保持できません。A-MEMは、エピソード記憶と意味記憶 を区別して保存します。

RAGは「記憶」ではなく「図書館」

RAGとA-MEMの違いを一言で表すと：

“

RAG: 「What do I know?（何を知っているか？）」 A-MEM: 「What do I remember about you?（あなたについて何を覚えているか？）」

RAGは賢い司書のようなもの。必要な情報を取ってくるが、「誰が何を話したか」は覚えていません。A-MEMは、会話の文脈を「記憶」として保持し、進化させていきます。

まとめ

A-MEMは、LLMエージェントに人間のような「記憶」を与えるフレームワークです。

主要ポイント

1. 自律的な記憶管理: 保存・検索・更新をエージェントが自ら実行します
2. RAGとの違い: 静的な知識検索ではなく、動的な経験を管理します
3. 効果を発揮する場面: 長期タスク、パーソナライズ対応、継続的な学習で威力を発揮します

人に話したくなるポイント

• 90,000枚のカード: 50年前のドイツ人社会学者ルーマンが40年かけて蓄積したカードの知識管理手法がAIに応用された
• 「真ん中を忘れる」衝撃: LLMは文書の真ん中を40%しか理解できない（最初/最後は80%以上）——「長いコンテキスト＝良い」という常識への疑問
• 2倍の性能向上: 複雑な推論タスクで従来手法の2倍を達成、同時に90%のトークンコスト削減
• RAGは「図書館」、A-MEMは「記憶」: 賢い司書は情報を取ってくるが「あなた」のことは覚えていない。A-MEMは会話の文脈を保持し進化させる
• NeurIPS 2025採択: 機械学習トップカンファレンス（採択率20-25%）に採択され、Apple Podcastでも取り上げられた
• 産学融合の若手研究者: Meta、Tencent、ByteDanceでの経験を持つWujiang Xuが、学術界でLLMエージェントの記憶問題に挑んだ

次のステップ

本記事の内容を実践するための3つのアクションです：

• LangChain Memoryで基本的な会話履歴管理を実装する
• MemGPTの論文を読み、階層的メモリ管理の概念を理解する
• 自社のエージェントに長期記憶機能を追加する計画を立てる

次に読むべき論文

“

AIエージェント論文おすすめ9選に戻る

参考リソース

• arXiv論文
• LangChain Memory Documentation
• MemGPT: 関連研究

本記事はネクサフローのAI研究シリーズの一部です。