agent-memory

ローカル長期記憶インフラストラクチャ。エージェント中立：特定のエージェントフレームワークに依存せず、3つの方法で接続する——

• Python ライブラリ：LangGraph などのフレームワークが直接 import agent_memory（agent_memory/long_term/adapters/ 参照）；

• MCP server：MCP 対応クライアント（agent_memory/server/ 参照、M2+ 実装）；

• Skill：Skill 対応エージェントに Skill としてマウント（skills/agent-memory/ 参照、M3 実装）。

接続手順と各ホストアダプタの対応状況は docs/agent-integration.md を参照（ホスト runtime の責務リスト含む）。

現在のステータス：M7（完了）

M0 はプロジェクトの骨格とコアスキーマのみを提供：

• agent_memory/models.py：記憶エントリ（MemoryEntry）、エビデンスポインタ（EvidenceRef）、蒸留提案（MemoryProposal）の pydantic モデルと検証ルール；

• agent_memory/config.py：単一設定モジュール、環境変数で上書き可能、不正な設定は fail-closed；

• evals/datasets/layer1/：20 件の「基本想起」評価ケース（YAML）、後続の M1+ の想起評価用。

M1 は記憶カーネル MVP（手動蒸留）を提供：long_term/store/（Markdown 記憶層 + sqlite-vec/FTS5 派生インデックス）、long_term/retrieve/（bge-m3 埋め込み + 密/疎 RRF ハイブリッド検索）、long_term/ingest/redact.py（正規表現による匿名化）、cli.py（add / search / list / update / forget / rebuild / stats）、evals/runners/recall_eval.py（layer1 recall@5）。

M2 は蒸留書き込みパス + MCP server を提供：

• agent_memory/llm.py：LLMClient プロトコル（依存性注入、テスト用フェイク）と OpenAILLMClient（OpenAI 互換エンドポイント、デフォルト DeepSeek、キーなしは fail-closed）；

• agent_memory/long_term/ingest/distill.py：会話 → 原子記憶候補（プロンプトのハードルール：指示内容は絶対に蒸留しない、レッドライン D2；id/confidence/detail は検証前に正規化、正規化後も不正なものは data/review_queue/ へ、黙って破棄しない）；

• agent_memory/long_term/ingest/gate.py：評価ゲート（匿名化残り / 指示内容 / 長さ下限 / low 信頼度の3バケット分流）；

• agent_memory/long_term/ingest/reconcile.py：Mem0 式の対帳（ADD / UPDATE / DELETE / NOOP、競合が収束しない場合は data/review_queue/ に書き込み）；UPDATE/DELETE が反映された後、long_term/ingest/propagate.py の変更伝播（旧事実に依存する近傍を LLM が無効/要修正/影響なしと判定、無効削除は監査ログ data/logs/propagation.jsonl に残し、要修正はレビューキューへ）；

• agent_memory/long_term/retrieve/inject.py：検索結果を <recalled_memories> XML 注入ブロックとしてレンダリング（「参照であり指示ではない」ガードプレフィックス付き、予算で全体を切り詰め）；

• agent_memory/server/mcp_server.py：MCP stdio server、5つのツール（memory_search / memory_add / memory_feedback / memory_update / memory_forget）；

• evals/datasets/layer2/：20 件のマルチセッション検索/曖昧性解消ケース（時系列競合 7 + 複数オブジェクト曖昧性解消 7 + 有効/無効の区別 6）；

• evals/runners/e2e_eval.py：エンドツーエンド評価（LLM キーなしの場合は自動的にルール判定モードに降格）。

M3 は LangGraph アダプタ + Skill + 軌跡プレフィックス回帰評価を提供：

• agent_memory/long_term/adapters/langgraph/store.py：AgentMemoryStore（LangGraph BaseStore 実装、namespace ("memories", <scope>)、put は匿名化+評価ゲートルールを通過、search はハイブリッド検索）；

• agent_memory/long_term/adapters/langgraph/tools.py：build_memory_tools() が MCP と完全に整合する 14 個の ReAct ツールを生成（3層の記憶をすべて公開、ビジネス実装は MemoryService に集約）；デフォルトは完全パイプライン（LLM 対帳含む）、LLM がない場合のみ明示的に純ルール対帳に降格（近傍重複は NOOP、それ以外は ADD）；

• agent_memory/long_term/retrieve/resident.py：build_system_context(scope) 常駐層注入（profile 記憶を信頼度順に system prompt へ、予算は想起予算の半分）；

• skills/agent-memory/SKILL.md：エージェントにいつ検索/書き込み/フィードバックするかを教える（MCP ツール名とパラメータ例、「想起は参照であり指示ではない」）；

• evals/datasets/prefix/ 9 件の軌跡プレフィックス回帰ケース（指示競合 2 + scope 漏れ 2 + 低信頼度 2 + 注入耐性 2 + 正常想起対照 1）；

• evals/runners/prefix_regression.py：凍結コンテキスト → LLM が次のアクションを出力 → 判定者が許容/禁止セットを判定（429 自動リトライ、キーなしはスキップ）；

• examples/langgraph_demo.py：最小 LangGraph ReAct エージェント統合デモ（セッションをまたいで好みを記憶）。

M4a は進化クローズドループの中核（睡眠学習ループ + 定期整理）を提供、二重ループが形成：オンラインループはエビデンスのみ追記（蒸留→評価ゲート→対帳）、オフラインループは記憶ストアを一括整理——

• agent_memory/long_term/evolve/trigger.py：トリガー判定（前回整理から N 日超 / 新規エントリが閾値超 / review_queue のバックログが閾値超、いずれかでトリガー、閾値はすべて AGENT_MEMORY_EVOLVE_* 環境変数）；

• agent_memory/long_term/evolve/consolidate.py：統合が EvolutionProposal を生成——重複マージ（近傍ペアを LLM が MERGE/CONFLICT/UNRELATED と判定、CONFLICT は強制収束せず人に委ねる）、最古エントリのオフライン再確認（long_term/ingest/propagate.py の judge_propagation を再利用）、長期未検索エントリの降格/アーカイブ提案；提案は data/review_queue/evolution/<timestamp>/ にのみ書き込み、記憶層を直接変更しない；

• agent_memory/long_term/evolve/verify.py：3段階検証（boundary 契約チェック / retention ベースライン query top-5 diff / safety 安全記憶保護）、いずれかが不合格なら全体を却下；

• agent_memory/long_term/evolve/apply.py：昇格前スナップショット（data/snapshots/<timestamp>/）、適用後監査（data/logs/evolution_audit.jsonl）、rollback(snapshot_id) ロールバック；

• agent_memory/long_term/evolve/cycle.py：5ステップオーケストレーション（トリガー → ターゲット → 統合 → 検証 → プルーニング）；

• models.py：MemoryEntry に retrieval_count フィールドを追加（ハイブリッド検索ヒットで +1、書き込みパスの近傍検索はカウントしない）。

M4b は layer3 評価セット + 進化メトリクス + 実受入を提供：

• evals/datasets/layer3/：12 件のクロスセッション隠れ関連ケース（書籍の第3層「プロアクティブサービス」のプログラミングシナリオ改変： 事実と計画が異なるセッションにあり、正解するには両者の隠れた競合を能動的に提示する必要がある；各ケースに profile 常駐層記憶

  • 検索層詳細記憶を含み、rubric.essential に「隠れた関連を能動的に提示」項目を必ず含む）；

• evals/runners/metrics.py：ペア統計（McNemar 正確検定 + ペアブートストラップ利得区間、 純関数で scipy 依存なし、サンプル < 20 は「強い結論には不十分」と明示）；

• evals/runners/e2e_eval.py に --baseline を追加：同じケース群を空ストアでペア再実行、問題ごとの勝敗、 p 値、ホールドアウト利得区間を出力；さらに3つの進化メトリクスを埋め込む——活性化率（書き込んだ記憶が想起された割合）、 遵守率（判定者が判定根拠を想起記憶から確認したケースの割合）、ホールドアウト利得（記憶あり - baseline スコア差）；

• 実受入数値：layer3 記憶あり 91.67% vs baseline 0%（McNemar p=0.0010、n=12 は方向性の参考のみ）； 回帰 layer1 100% / layer2 100% / prefix 88.89%；evolve クローズドループ実デモ（boundary 却下1回と merge 昇格 + ロールバック1回を含む）で consolidate の欠陥2件を露呈、AGENTS.md の未解決問題を参照。

M5 は人間によるレビュー対話ノード + 強制更新フックを提供：

• config.py に review_gate（off / ask / strict、デフォルト ask：レビューキューにバックログがある場合の memory_search の 処置段階）と review_turn_interval（デフォルト 3、フックのターン間隔）を追加、環境変数 AGENT_MEMORY_REVIEW_GATE / AGENT_MEMORY_REVIEW_TURN_INTERVAL で上書き；

• MCP ツールが5つから7つに拡張——新規 memory_review_list（保留詳細）と memory_review_resolve（approve そのまま格納 / modify テキストを匿名化+評価ゲート通過後に格納 / discard 破棄）； memory_search にレビューゲートを追加（ask 段階は blocked でユーザー確認後に通過、strict 段階は一律拒読、off はブロックしない）； memory_add は pending_review 保留レビュー詳細を返す；

• 蒸留プロンプトに「ユーザー確認資格」ハードルールを追加：assistant が一方的に提案し、ユーザーが明確に確認していない提案/計画/結論は沈殿させない；

• scripts/memory_turn_hook.py：kimi-code Stop フック、セッションごとにターンをカウントし、N ターンごとにセッション終了をインターセプトして 蒸留指示を注入（材料 = 各ターンのユーザーメッセージ + 隣接する assistant 返信）、ユーザーレベル ~/.kimi-code/config.toml に登録済み。

M6 は HTTP 常駐サービス + スコープ規律を提供：

• agent_memory/server/http_server.py：streamable-http 常駐サービス、デフォルトで 127.0.0.1:8765 のみにバインド （ループバックアドレスは自然に認証不要）、MCP エンドポイントに /SKILL.md（プロンプト層全文配布）と /bootstrap （新エージェント統合ブートストラップ指示）の2つの静的ルートを追加；相手エージェントはブートストラップ指示1つで統合可能、ファイルコピー不要；

• スコープ規律（共通ライブラリ、マルチエージェント・マルチプロジェクト混在）：SKILL.md にスコープ選択ルールを追加（共通は global、 プロジェクトは repo:<名>、不明ならまずユーザーに確認）、memory_add のスコープはデフォルトで global にフォールバックするが、返り値に scope_reminder リマインダーを添付；

• Windows 常駐運用：scripts/start_http_server.cmd 起動ラッパースクリプト（クラッシュ時自動リトライ最大3回、 3連敗で data/state/http_server_FAILED.txt 失敗マーカーを書き、ログは data/logs/http_server.log）

  • ログイントリガー計画タスク（登録スクリプト scripts/register_task_s4u.ps1、管理者権限が必要）。

M7 は3層記憶（長期 / 作業 / 短期）+ 統一インターフェースを提供：

• パッケージ構造移行：元の store/ retrieve/ ingest/ evolve/ adapters/ 5つのサブパッケージをすべて agent_memory/long_term/ に移行（ロジック変更ゼロ）、新規 working/ と short_term/；

• agent_memory/working/：作業記憶（操作層、現在のタスク状態——目標/ToDo/決定/変数/メモ、 スコープごとに1つ、data/working/ に保存）。書き込みは全置換、匿名化のみで評価ゲートなし； turn_watermark 水位と stale_wm で状態が遅れているか判定；

• agent_memory/short_term/：短期記憶 transcript アダプタ層、エージェントのネイティブログ （例：kimi-code の wire.jsonl）をクリーンなターンシーケンスに解析、新規ファイルは作成しない；

• MCP ツールが7つから13個に拡張：新規 memory_wm_read / memory_wm_write / memory_wm_clear （作業記憶の読み書きクリア）、memory_context（常駐プロファイル + 作業記憶 + 想起を一度に組み立て）、 memory_transcript_read（ターン読み取り、since_turn 増分）、memory_session_end （セッション終了処理：data/raw アーカイブ + 共同蒸留 + 完了済み ToDo のクリーンアップ、保留 ToDo は veto）。

Related MCP server: mnemo

ディレクトリ構造

agent-memory/
├── agent_memory/     # Python 包（扁平布局，import 名 agent_memory）
│   ├── config.py         # 配置（AGENT_MEMORY_* 环境变量覆盖）
│   ├── models.py         # 记忆条目 schema（M0 核心）
│   ├── long_term/        # 长期记忆：store / ingest / retrieve / evolve / adapters（M1-M4，M7 迁入）
│   ├── working/          # 工作记忆：当前任务状态，操作层（M7a）
│   ├── short_term/       # 短期记忆：transcript 适配层（M7b）
│   └── server/           # MCP server：stdio（M2）+ HTTP 常驻（M6）
├── skills/agent-memory/  # Skill 接入方式（M3）
├── scripts/              # 运维脚本：turn hook（M5）、HTTP 服务启动/计划任务注册（M6）
├── evals/                # 评估集：datasets / rubrics / runners（agent 禁改，D6）
├── tests/
└── data/                 # 运行时数据（gitignored）：raw / memory / working / review_queue / snapshots / state / logs

クイックスタート

uv sync          # 创建虚拟环境并安装依赖
uv run pytest    # 跑测试
uv run ruff check .

M2 の使い方

LLM の設定（蒸留 / 対帳 / LLM 判定用）

蒸留書き込みパスには OpenAI 互換エンドポイントが必要、デフォルトは DeepSeek（https://api.deepseek.com、モデル deepseek-chat）：

export AGENT_MEMORY_LLM_API_KEY=sk-...
# 可选覆盖：AGENT_MEMORY_LLM_BASE_URL / AGENT_MEMORY_LLM_MODEL
# 评估评委可单独配置（异源互审）：AGENT_MEMORY_JUDGE_LLM_API_KEY 等

キー未設定の場合、検索、手動書き込み、フィードバック、削除など LLM に依存しない機能は通常通り利用可能； 会話蒸留パスのみ呼び出し時にエラー（fail-closed）。

CLI 蒸留コマンド

会話（[{role, content}, ...] の JSON ファイル）を完全な書き込みパイプラインでストアに格納：

uv run agent-memory distill --file conversation.json --scope repo:my-project \
    --source kimi-code --session-id 2026-08-19-session
# 管线：蒸馏 → 评价门 → 对账；无法自动收敛的冲突会写入 data/review_queue/

MCP server

起動：uv run python -m agent_memory.server.mcp_server（stdio）。

Claude Code / Kimi Code の MCP 設定スニペット：

{
  "mcpServers": {
    "agent-memory": {
      "command": "uv",
      "args": ["run", "python", "-m", "agent_memory.server.mcp_server"],
      "env": {
        "AGENT_MEMORY_DATA_DIR": "C:/Users/<you>/.agent-memory/data",
        "AGENT_MEMORY_LLM_API_KEY": "sk-...",
        "AGENT_MEMORY_LLM_BASE_URL": "https://api.deepseek.com",
        "AGENT_MEMORY_LLM_MODEL": "deepseek-chat"
      }
    }
  }
}

5つのツールから開始（M5 から7つ、M7 から13個に拡張、下記 M5 / M7 の使い方を参照）：memory_search（ハイブリッド検索 + XML 注入ブロック、scope フィルタはサーバー側で強制）、 memory_add（会話 JSON は蒸留パイプライン / 単一 content は匿名化+対帳）、 memory_feedback（信頼度を上げ下げ、low 未満はレビューキューへ）、 memory_update（匿名化+評価ゲート通過後に更新）、memory_forget（削除）。

エンドツーエンド評価

uv run python evals/runners/e2e_eval.py --layers 1,2            # 无 key 时自动规则降级模式
uv run python evals/runners/e2e_eval.py --layers 1,2 --llm-judge # 真实 LLM 评委按 rubric 判定
uv run python evals/runners/e2e_eval.py --layers 3 --llm-judge --jobs 8   # layer3 跨会话隐藏关联
uv run python evals/runners/e2e_eval.py --layers 3 --llm-judge --jobs 8 --baseline
    # --baseline：同一批用例在空库下配对重跑，输出逐题胜负 / McNemar p 值 /
    # 配对 bootstrap 留出增益区间，以及激活率 / 遵循率 / 留出增益三个进化指标
uv run python evals/runners/e2e_eval.py --layers 2 --llm-judge --jobs 8   # 调高用例并发
uv run python evals/runners/e2e_eval.py --layers 2 --llm-judge --no-cache # 禁用响应缓存

高速化メカニズム（実モードはデフォルト有効）：

• LLM レスポンスディスクキャッシュ：蒸留 / 対帳 / 判定の各レスポンスを sha256(model + system + user) で data/logs/llm_cache/ にキャッシュ（gitignored）。再実行時、変更されていない部分は直接キャッシュヒット、 秒単位で完了；モデル変更で自動的にミス。--no-cache で無効化。

• ケースレベル並行：--jobs N（デフォルト 4）でスレッドプールを使いケースを並行実行、各ケースは独立した一時ディレクトリ、 429 レート制限は自動指数バックオフリトライ。

• モデルロード：bge-m3 はプロセスごとに1回ロード（約1〜2分）。複数レイヤーを実行する場合は --layers 1,2 で一度に実行、2つのプロセスに分けて各レイヤーを実行しない。

ルール降格モードは実際の蒸留品質を表すものではないため、正式な受入には実際の LLM を設定して再実行が必要。

M3 の使い方

LangGraph 統合

自作の LangGraph エージェントには3つの接続方法があり、重ねて使用可能：

from agent_memory.long_term.adapters.langgraph.store import AgentMemoryStore
from agent_memory.long_term.adapters.langgraph.tools import build_memory_tools
from agent_memory.long_term.retrieve.resident import build_system_context
from langgraph.prebuilt import create_react_agent

# 1) BaseStore：namespace 约定 ("memories", <scope>)，put/search/delete 直接映射到记忆内核
store = AgentMemoryStore()          # 配置走 AGENT_MEMORY_* 环境变量
store.put(("memories", "repo:myproj"), "db-choice",
          {"content": "本项目数据库定为 SQLite，文件 data/app.db。", "confidence": "high"})

# 2) ReAct tool：recall_memories / save_memory 挂进 tools 列表
tools = build_memory_tools()

# 3) 常驻层：profile 类记忆渲染进 system prompt（预算是召回预算的一半）
prompt = "你是用户的编程助手……\n\n" + build_system_context("repo:myproj")

agent = create_react_agent(model, tools, prompt=prompt, store=store)

完全な実行可能な例は examples/langgraph_demo.py（uv run python examples/langgraph_demo.py、 AGENT_MEMORY_LLM_API_KEY が必要）。

BaseStore の put は低レベル同期インターフェース：呼び出し側は精製済みの原子コンテンツを提供する必要があり、アダプタ層は 匿名化+評価ゲートルールを通過（指示内容は直接エラーを投げる）が、LLM 蒸留は行わない；save_memory ツールの 対帳は LLM なしの純ルールパス（近傍重複は NOOP、それ以外は ADD）、競合収束は M2 蒸留パイプラインを経由。

Skill 統合

skills/agent-memory/SKILL.md はプロンプト層で、ラップされたエージェント（Kimi Code / Claude Code）に いつ検索、書き込み、フィードバックするかを教える。インストール方法（MCP server と併用）：

• Kimi Code：skills/agent-memory/ を ~/.kimi-code/skills/agent-memory/ にコピーまたはシンボリックリンク；

• Claude Code：~/.claude/skills/agent-memory/ にコピー；

• 同時に上記 MCP 設定で agent-memory server をマウントし、Skill 内のツール名（memory_search など）に実装を持たせる。

軌跡プレフィックス回帰評価

凍結コンテキスト（system + 注入済み記憶ブロック + ユーザー最新メッセージ）→ LLM が次のアクションを出力 → 判定者が 許容セットに含まれ、禁止セットに触れていないかを判定。4つの境界シナリオ（指示競合 / scope 漏れ / 低信頼度 / 注入耐性）+ 正常想起対照をカバー：

uv run python evals/runners/prefix_regression.py             # 需 LLM key，无 key 整体跳过
uv run python evals/runners/prefix_regression.py --seeds 3   # 多种子报均值与区间
uv run python evals/runners/prefix_regression.py --no-cache  # 禁用 LLM 响应缓存（默认开）

429 レート制限は自動間隔リトライ；LLM レスポンスディスクキャッシュは e2e_eval と data/logs/llm_cache/ を共有。この評価にはルール降格モードはない（アクターの動作自体が被験対象）。

M4 の使い方

睡眠学習ループ（evolve）

# dry-run：只到提案为止，打印提案摘要，不验证、不应用
uv run agent-memory evolve --dry-run

# 完整循环：触发 → 整合 → 三档验证 → 通过则晋升（自动快照 + 审计）
uv run agent-memory evolve

# 只整理某个 scope
uv run agent-memory evolve --scope repo:my-repo

トリガー条件（いずれか、閾値は AGENT_MEMORY_EVOLVE_* 環境変数で上書き）：前回整理から7日超（EVOLVE_INTERVAL_DAYS）、新規エントリ50超（EVOLVE_NEW_ENTRIES_THRESHOLD）、レビューキューバックログ10超（EVOLVE_REVIEW_BACKLOG_THRESHOLD）。

整理が生成するのは提案（data/review_queue/evolution/<timestamp>/proposal.yaml）であり、直接書き換えではない：3段階検証（boundary / retention / safety）のいずれかが不合格なら却下、提案はアーカイブして人に委ねる；すべて合格して初めて昇格——昇格前に記憶層のスナップショット（data/snapshots/<timestamp>/）、昇格後に監査ログ（data/logs/evolution_audit.jsonl）を書き込む。ロールバックは agent_memory.long_term.evolve.apply.rollback(snapshot_id, settings, embedder) でスナップショットから記憶層を復元しインデックスを再構築。

M5 の使い方

人間によるレビュー（レビューキューの2つの対話ノード）

蒸留の不正出力、評価ゲートの低信頼度、対帳が収束しない競合はすべて data/review_queue/ に入り、人間の裁定を待つ。 レビューは2つの MCP ツールで完了：

• memory_review_list：保留詳細を一覧表示（ソース、理由、内容）；

• memory_review_resolve：裁定——approve そのまま格納 / modify テキストを匿名化+評価ゲート通過後に格納 / discard 破棄。裁定成功でキューファイルを削除；raw_record タイプの保留は直接格納不可。

レビューゲート（AGENT_MEMORY_REVIEW_GATE、デフォルト ask）：キューにバックログがある場合の memory_search の動作—— ask は status=blocked を返しユーザー確認を待つ（acknowledge_pending=true で通過）、strict は一律拒読 （無人運用シナリオ）、off はブロックしない。memory_add の返り値には pending_review 詳細が含まれ、 エージェントは各項目をユーザーに報告し裁定を求めるべき（SKILL.md に対応フローあり）。

強制記憶更新フック

scripts/memory_turn_hook.py は kimi-code の Stop フック：セッションごとにターンをカウントし、 AGENT_MEMORY_REVIEW_TURN_INTERVAL（デフォルト 3）ターンごとにセッション終了をインターセプトし、蒸留指示を注入 （材料 = 各ターンのユーザーメッセージ + 隣接する assistant 返信）。ユーザーレベル ~/.kimi-code/config.toml に登録済みで、すべてのプロジェクトセッションに有効；他のホストはスクリプトを参照して自分でフックを接続可能。

M6 の使い方

HTTP 常駐サービス

stdio モードはホストが server を子プロセスとして起動し、セッションとともに生滅；HTTP モードは長期実行のローカルサービスで、 HTTP リクエストを送信できる任意のエージェントホストが URL を登録するだけで13個すべてのツールを取得：

uv run python -m agent_memory.server.http_server
# 默认监听 http://127.0.0.1:8765/mcp（只绑回环地址，天然免鉴权）
# 覆盖：AGENT_MEMORY_HTTP_HOST / AGENT_MEMORY_HTTP_PORT

サービスには他に2つの静的ルートがある：/SKILL.md（プロンプト層全文）と /bootstrap（統合ブートストラップ指示）。 新エージェントの統合は /bootstrap の内容を与えるだけ：http://127.0.0.1:8765/mcp を登録 （トランスポートタイプ streamable-http）+ /SKILL.md を読んで従う、ファイルコピーは不要。

Windows 常駐（計画タスク）

scripts/start_http_server.cmd は起動ラッパースクリプト：異常終了時60秒待って再起動、最大3回； 3連敗で data/state/http_server_FAILED.txt 失敗マーカーを書き、ログは data/logs/http_server.log。scripts/register_task_s4u.ps1 はログイントリガー計画タスクを登録 （S4U バックグラウンドモード、完全にウィンドウなし）、管理者権限が必要。両スクリプトは純 ASCII を維持する必要がある （cmd.exe は .cmd を GBK で読み、PowerShell 5.1 は BOM なし .ps1 を ANSI で読む、非 ASCII は解析を壊す）。

M7 の使い方

統一コンテキスト組み立てと作業記憶

memory_context(scope, query?, k?, current_turn?) は3つのセクションを一度に組み立てる：常駐プロファイルブロック（長期記憶内の profile） → 作業記憶ブロック（現在のタスク状態）→ 想起ブロック（query を渡した場合のみ長期記憶を検索）。現在のタスク状態の日常メンテナンスは 3つの作業記憶ツールで行う：

• memory_wm_write(scope, goal?, decisions?, variables?, todos?, notes?, turn_watermark?)： 全置換書き込み（マージではなく、渡されなかったフィールドはクリアされる）、匿名化のみ、評価ゲートなし；

• memory_wm_read(scope, current_turn?)：読み取り + 鮮度判定（stale_wm=true は現在のターン数が 作業記憶の turn_watermark 水位を超えていることを意味——「この状態は何ターン目まで更新済みか」、状態が遅れている可能性）；

• memory_wm_clear(scope)：クリア（冪等、存在しない場合もエラーではない）。

作業記憶は操作層のドラフト：完了項目の結論は長期記憶に蒸留（memory_add または下記 memory_session_end）して初めて 沈殿したと見なされる。

セッションログ読み取りとセッション終了処理

memory_transcript_read(log_path, adapter?, since_turn?) はエージェントのセッションログ（例：kimi-code の wire.jsonl、ファイル名で形式を自動検出）をクリーンなターンシーケンス（user/assistant/tool）に解析；since_turn は作業記憶の水位と組み合わせて増分読み取り（水位以降のターンのみ返す）。

memory_session_end(scope, conversation_json?|log_path?, ...) はセッション終了の標準処理で、一度に完了： 原文をアーカイブ（data/raw/、追記のみで書き換えなし）→ 共同蒸留（会話 + 作業記憶スナップショットを参照コンテキストとして）→ 作業 記憶の完了済み ToDo をクリーンアップ。作業記憶に保留 ToDo がある場合は veto（アーカイブ/蒸留/クリーンアップすべて実行しない）、終了確認は force=true を渡す。これは N ターンごとのローリング蒸留フックと二重トラックの役割分担：フックは途中クラッシュによる損失を防ぐ保険、session_end は標準終了処理を行う。

3つのアーキテクチャレッドライン

AGENTS.md を参照。要するに：データ3層分離（raw は追記のみ、memory は唯一の真実ソース、index は再構築可能で手動変更禁止）；書き込みは匿名化→蒸留→対帳のゲートを通過必須；evals / rubric / リリース閾値 / 監査ログはエージェントによる自己変更を禁止。