AI・機械学習
上級
A-MEM（エーメム）
Zettelkasten型の構造化メモリネットワークをLLMエージェントに導入した研究。記憶をノードとリンクで管理し、関連記憶間の有機的な結合と文脈伝播によって人間の連想記憶に近い動作を実現する。
0 回閲覧
0 いいね
2026/6/7 更新
関連タグ
LLMメモリ
Zettelkasten
グラフメモリ
エージェント
構造化記憶
A-MEM — Zettelkasten型LLMエージェント構造化メモリ
概要
A-MEM（Agentic Memory System）は、個人知識管理で実績のあるZettelkastenメソッドをLLMエージェントのメモリ設計に応用した2025年の研究。従来のベクトル検索型メモリ（フラットなk-NN検索）と異なり、記憶同士をセマンティックリンクで結んだグラフ構造を採用する。検索時にリンクを辿ることで、直接一致しない関連記憶も芋づる式に参照できる点が特徴的。
Zettelkastenとは
Zettelkasten（ドイツ語で「カードボックス」）は1960年代に社会学者Niklas Luhmannが編み出した知識管理手法。各アイデアをカード（Zettel）1枚に記録し、関連カード同士をリンクで結ぶ。思考の「ネットワーク」を形成することで、単純な索引検索では気づかない関連性を発見できる。A-MEMはこの概念をLLMのメモリ設計に移植した。
アーキテクチャ
メモリノード構造
id: mem_001 content: 記憶の本文 timestamp: 2025-01-15T10:30:00Z tags: [topic1, topic2] links:
- target: mem_005, relation: supports, weight: 0.85
- target: mem_012, relation: contradicts, weight: 0.72
リンクタイプ
- supports: 記憶Aが記憶Bを支持・補強する
- contradicts: 記憶Aが記憶Bと矛盾する
- elaborates: 記憶Aが記憶Bを詳細化する
- precedes: 記憶Aが記憶Bより時系列的に先行
記憶追加フロー
- 新記憶を埋め込みベクトルで表現
- 既存ノードとのcos類似度を計算（上位10件）
- 類似度 ≥ 0.7 のノードとリンク形成（関係タイプはLLMが判定）
- グラフDBに格納
記憶検索フロー
- クエリを埋め込みベクトルで表現
- ベクトル検索でシード記憶ノードを取得（top-k=5）
- シードノードからリンクを1〜2ホップ辿って関連ノードを収集
- 関連ノード群を文脈として統合してLLMに渡す
技術仕様
| 要素 | 詳細 |
|---|---|
| 発表 | 2025年（arXiv: 2502.00592） |
| 著者 | Hangfeng He et al. |
| グラフDB | NetworkX / Neo4j（実装依存） |
| ベクトルDB | FAISS / Qdrant（埋め込み検索用） |
| 埋め込みモデル | text-embedding-3-small等 |
| リンク判定 | GPT-4o / Claude 3 Opus |
従来手法との比較
| 手法 | 検索方式 | 文脈伝播 | 記憶間関係 |
|---|---|---|---|
| フラットDB（MemGPT等） | k-NN | なし | なし |
| GraphRAG | グラフ探索 | あり | エンティティ関係 |
| A-MEM | ハイブリッド | あり | セマンティックリンク |
ベンチマーク結果
論文内でLongMemEval・MemoryBench等で評価:
- フラットRAGベースラインvs A-MEM: 平均+12% F1スコア向上
- 特に長期依存（5+ turns back）の記憶想起で+18%改善
- 記憶ノード数10,000件超でも検索レイテンシ < 500ms
まとめ
A-MEMは知識管理の人間的手法（Zettelkasten）をLLMに持ち込んだ意欲的な研究。グラフ構造による文脈伝播は特に複雑な長期対話エージェントや研究支援エージェントに有効。2025年時点では実験的フェーズだが、GraphRAGとの統合や大規模エージェント実装への応用が期待される。