Context-M — 普遍的なニューロシンボリック記憶ファブリック

Mem0 はエージェントにノートを与える。Context-M はエージェントに脳を与える。

AIエージェントのための記憶基盤。二時間軸シンボリック トレース（海馬）とVSAメモリパレス（新皮質）を組み合わせ、 μ=0 決定論的ブリッジで結合する——取り込み時のLLM呼び出しゼロ、 すべての検索における暗号学的来歴、メモリあたり96バイトのエッジファースト展開。

pip install cortexm          # works offline, no API keys, single command

from cortexm import Memory   # Mem0-compatible surface

m = Memory()
m.add("I work at Google", user_id="alice")
m.search("Where does Alice work?", user_id="alice")
# → [Memory — Known facts]
#   - (Alice, works_at, Google) [valid 2026-08-27→∞; learned …; conf 0.92;
#      id 3f2a91c2; src #a1b2c3d4; "I work at Google"]

ベンチマーク結果 — BEAM方式ロングホライズン記憶

合成マルチセッション会話（BEAM方式、arXiv:2510.27246）、 10の記憶能力、決定論的ナゲット判定、μ=0取り込みを表明 （判定を含めLLM呼び出しゼロ）。5つの生成シード （42 / 44 / 45 / 46 / 47 — 最後の2つは開発中に一度も検証していない）にわたる平均±標準偏差、完全にオフラインで再現可能：

シード別10Mスコア: 100.0% / 100.0% / 100.0% / 100.0% / 100.0% — 10Mバケットで全 10能力が100.0%。背景: 計画ではBEAM-10Mで70%以上を目標としていた。 引用されている2026年8月のSOTAはExabase M-1の68.0%（LLMインループ取り込み）。 すべてのプローブはハッシュ検証済みの来歴チェーンから回答され、LLMコストは$0。

併せて測定されたエンジニアリング事実（docs/BENCHMARKS.md 参照）:

• 取り込み: 10Mトークンを約98秒（約102Kトークン/秒）、約2,000メッセージ/秒、LLM呼び出し0回

• メモリはサブリニアに成長: 10Mトークン → 約590件のファクト（繰り返しノイズは重複排除）

• 来歴: 検索されたファクトの100%がハッシュ検証済み。監査レイテンシ約6 ms

• 検索: ツリーインデックス p50 ≈ 0.4–1.1 ms（10K–100Kベクトル時）（フラット: 16–194 ms）

• 再現可能: 実行はプロセス非依存 — スコアの同点はファクト 内容で決まり、ランダムIDでは決まらない（4つのPYTHONHASHSEED値で検証済み）

Related MCP server: Semantic Memory MCP

アーキテクチャ

┌──────────────────────────────────────────────────────────────────┐
│                      THE BRIDGE (μ = 0)                          │
│  write: text → chunks → BLAKE3 → patterns → triples → holograms  │
│  read:  query → intent plan → VSA probe ∥ symbolic query →       │
│         fusion → [Memory — Known facts] + provenance chain       │
└──────────────┬───────────────────────────────────┬───────────────┘
               │                                   │
┌──────────────▼──────────────────┐ ┌──────────────▼───────────────┐
│  LAYER 1: SYMBOLIC TRACE        │ │  LAYER 2: VSA MEMORY PALACE  │
│  (hippocampus)                  │ │  (neocortex)                 │
│  bi-temporal facts (SQLite)     │ │  HRR holograms, role-bound   │
│  CONTRADICTS / PRECEDED_BY /    │ │  INT8 · Binary · RaBitQ · PQ │
│  EXTRACTED_FROM edges           │ │  codecs (770/96/96/8 B each) │
│  Datalog-lite rules engine      │ │  page-clustered tree index   │
│  interference-aware lifecycle   │ │  64-entry semantic L1 (SLB)  │
│  Memory Git: hash-chained DAG   │ │  TMR self-healing + re-encode│
└─────────────────────────────────┘ └──────────────────────────────┘

レイヤー1 — シンボリックトレース。 主語-関係-目的語トリプルと 妥当時間およびトランザクション時間（「それが真だったとき」と「それを学習したとき」）、 真理性維持による矛盾解決（新しい値が取って代わり、古い値はウィンドウを維持したまま引退）、 時間的エッジ、Datalogライト前方推論エンジン（manages(Y,X) → reports_to(X,Y)、member_of(X,T) ∧ uses(T,L) → team_uses(X,L)）、 および干渉認識ライフサイクル: ファクトはコミット前に既存メモリとの 相互作用について評価される。

レイヤー2 — VSAメモリパレス。 各ファクトはホログラフィックな 縮約表現になる: 役割結合の主語/関係/目的語フィラーに λ重み付き語彙重ね合わせを加え、ストレージ階層に量子化。 順列結合がデフォルトの代数であるのは、バイナリHDCハードウェア （XOR/順列）に直接マッピングされるため——エッジASICが登場したとき、 同じコードがそのままコンパイルされる。

ブリッジ。 μ=0取り込み: 60パターンの決定論的抽出器 （一人称/三人称/二人称、代名詞解決、相対日付、 撤回）— 書き込みパスにLLMは一切ない。読み出しパスは 決定論的クエリプランナー（時間ウィンドウ、順序証明、 カウンティング、置換チェーン、マルチホップのためのPersonalized PageRankグラフ拡散 — HippoRAG 2系）とVSA検索を融合し、 返されるすべてのファクトは完全な監査チェーンを保持: クエリ → VSAマッチ → シンボリック逆参照 → BLAKE3ハッシュ → 元のソーステキスト。

カテゴリを定義する5つの機能

ストレージ階層（cortexm-compress）

測定済みコーデック品質（2万ファクトホログラム）: FP32に対するint8 overlap@10 = 0.90。binary/rabitq/PQはFP32のトップ10をそれぞれのトップ50内で 1.00/1.00/0.9995で回復 — 設計どおりのショートリストコーデック。 docs/COMPRESSION.md 参照。

セキュリティ（InjecMEM + MINJA防御）

すべてのファクトはソーステキストのBLAKE3ハッシュを保持し、取得時に再検証される。 メモリインジェクションパターン（「すべての以前の指示を無視…」）は取り込み時に隔離される — 監査用に保存され、決して活性化されず、プロンプトコンテキストに取得されることもない。 さらにMINJA伝染ガードは隔離済みテキストを汚染コーパスとして扱う: 後から取り込まれるもので、それを引用または実質的に重複するものは （軽微な編集がすべての正規表現を回避しても）同様に隔離される — 攻撃者がエージェント自身のライトバックを通じてメモリを汚染する クエリのみのインジェクションループを封鎖する。スコープ（ユーザー/エージェント/実行）は ファクトと検索キャッシュを同様にサンドボックス化する。verify_integrity() は ストア全体を監査する。

エンタープライズ制御（ロードマップではなく出荷済み）

購入者のセキュリティレビューが実際にブロックする制御 — すべてリポジトリ内にあり、 すべてテスト済み（tests/test_enterprise.py）:

cortexm serve-rest --db /data/memory.db --pii redact --admin-key yes

docs/ENTERPRISE.md（制御マトリックス + コンプライアンスマッピング）および docs/DEPLOYMENT.md（SDK / MCP / REST / Docker / K8s / Helm ラン ブック）を参照。

MCPサーバー（Day 1）

cortexm serve        # stdio JSON-RPC, zero dependencies

ツール: contextm_add、contextm_search、contextm_get_all、 contextm_history、contextm_temporal、contextm_audit、 contextm_prove、contextm_stats、contextm_delete。Claude Code / Cursor / 任意のMCPクライアントで動作。 Claude Codeプラグイン: plugins/context-m-claude。

移行

cortexm migrate --from mem0 --path mem0.db
cortexm migrate --from zep --path zep_export.jsonl
cortexm migrate --from chroma --path chroma.sqlite3

詳細

• docs/ARCHITECTURE.md — すべてのレイヤーの詳細

• docs/BENCHMARKS.md — 完全な結果、方法論、能力別テーブル

• docs/ENTERPRISE.md — エンタープライズ制御マトリックス + コンプライアンスマッピング

• docs/DEPLOYMENT.md — SDK / MCP / REST / Docker / K8s / Helm ラン ブック

• docs/RESEARCH.md — 文献系譜: 採用、整合、または拒否したすべての論文（理由付き）

• docs/SECURITY.md — InjecMEM + MINJA防御、来歴モデル

• docs/COMPRESSION.md — 階層スタックと測定されたトレードオフ

• docs/ROADMAP.md — 戦略計画に対するフェーズステータス

• examples/ — 実行可能な10スクリプト、オフライン、APIキー不要

• tests/ — 63テスト: ファブリック + エンタープライズ + PPR + 並行性

ライセンス

Apache 2.0 — 正しく行われたオープンコア: メモリファブリックはオープンのまま。 フェデレーテッド同期と監査UIがエンタープライズ階層。