
エージェントの記憶は、検索ではなく「書き方」で壊れる
【発端】 検索ではなく書き方で壊れる、という指摘

最近、小邓同学(@heydengai)さんの「万字长文拆解 Agent 记忆:40+ 开源记忆系统全面对比」(Xの記事、中国語)を読みました。40以上のオープンソース記憶システムを、ひとつの切り口で9つの原型に分けた長文です。
その切り口が「検索の方式」ではなく「書き込み経路」です。記憶システムを選ぶとき、多くの人は検索精度や埋め込みモデルやベンチマークの点数から見ます。
原文は、その見方に異を唱える立場です。実際に使えるかどうかを分けるのは、記憶をどう書き込み、古い事実をどう無効にするかです。
この記事では、その主張を未読の人にも分かる形で整理します。扱うのは書き込みの五つの型と、九つの原型の並べ方です。
記憶を階層に分けて更新と減衰を考える話は、別の記事に譲ります。
【基礎】 記憶は文書検索とは別の仕事
記憶が扱うのは「動かない資料」ではなく「変わり続ける事実」です。
RAG(検索拡張生成で、外部文書を検索して回答の材料にする方式)と記憶システムは、埋め込み、ハイブリッド検索、再ランキングといった部品を共有します。それでも解く問題は異なります。
原文の言い方では、記憶が扱うのは「ユーザーやエージェント自身についての事実を、どう積み、更新し、忘れるか」です。RAGが扱うのは、比較的動かない資料をどう正確に見つけるかです。
原文は記憶を時間尺度でも分けています。
作業記憶:モデルがこのステップで見られるトークン全体。実際に働くのはここだけ
短期記憶:1回のセッション内の履歴。要約圧縮もここ
長期記憶:セッションをまたいで残るもの。原文が扱うのは主にここ
だから「記憶」という名前でも、書き込みの設計を問わずに検索だけ比べると、問題の半分を見落とします。
【違い】 精度を上げても消えない古い事実

検索が正確になるほど、古い事実も正確に取り出せてしまいます。
文書RAGでは、資料はあまり変わりません。ですから「書き込み」は一度きりの取り込みで済み、あとは検索の問題になります。
記憶では、ユーザーの発言や状況が刻々と変わります。同じ対象について新旧の事実が並ぶのが普通です。
原文はここで、五つの書き方ごとに失敗の形が違うと整理します。検索の精度が高くても、書き込み側で新旧が整理されていなければ、過去の事実が現在の事実として返ります。
対象
文書RAG:比較的静的な資料
エージェント記憶:ユーザーとエージェントについての事実
時間の扱い
文書RAG:ほぼ不要
エージェント記憶:「いつ何が真か」が本題
書き込み
文書RAG:取り込み時に一度
エージェント記憶:会話のたびに発生
主な失敗
文書RAG:見つからない
エージェント記憶:古い事実が正解として返る
原文が補強に使うのは、2026年10月のRaw-RAG論文の紹介です。「生の会話記録+密ベクトル検索+再ランキング」という素朴な方法が、複数のベンチマークで複雑な記憶システムを上回った、と書かれています。
複雑な書き込み経路は無料ではない、という注意です。ただし、この論文は私自身は未確認です。
【仕組み】 書き込みの五つの型と失敗の形

「誰が書くか」と「衝突をどうするか」で、失敗の形が決まります。
原文が挙げる五つの型と、それぞれが招く失敗は次のとおりです。
門番型
中身:記録する価値を判定して書く
起きやすい失敗:漏れる。「覚えて」と言われない重要事項が消える
追記のみ
中身:消さずに足し続ける
起きやすい失敗:新旧が併存し、読むときの順位づけ頼みになる
書き込み時に統合
中身:LLMが上書きか追加かを判断する
起きやすい失敗:誤判断で真実が気づかないうちに消え、監査の跡も残りにくい
時系列で無効化
中身:旧事実に「有効期間の終わり」を付ける
起きやすい失敗:グラフの構築と運用が重い
エージェント自身が編集
中身:ファイルなどを自分で書き換える
起きやすい失敗:質の上限がエージェントの判断力と規律になる
時系列の型の代表がGraphiti(および商用のZep)です。原文によると、各事実の辺にvalid_fromとvalid_toを持たせ、新しい事実が来たら旧い辺を削除せず失効させます。
この仕組みの根拠はZepの論文にあります。
エージェント自身が編集する型の代表はLettaです。原文では、記憶をgitで管理するファイルとして持ち、エージェントがbashとファイル操作で直接書き換えます。
変更履歴をdiffで人が確認できるのが利点です。この系譜はMemGPT論文の「コンテキストをOSのメモリ管理のように扱う」発想に遡ります。
原文はこの先で、選定時の三問を挙げています。
誰が何を書くか。新旧が衝突したらどうするか。
誤って書いたときに追跡して戻せるか。答えられない実装は、点数が高くてもデモに過ぎない、という立場です。
【具体例】 「Postgres 14」が「16」に変わる場面

同じ一言でも、書き込みの型で結果が分かれます。
原文は、ユーザーが最初に「Postgres 14を使っている」と言い、後で「16に上げた」と言う例で、各型の理論上の挙動を比べています。
以下は、五つの型の説明から私が組み立て直した図です。実測ではありません。
門番型
14→16のあとの状態:判定次第で、16が記録されない
最悪の場合:14のまま残る
追記のみ
14→16のあとの状態:14と16が両方残る
最悪の場合:検索が14を拾えば、古い答えが返る
統合
14→16のあとの状態:16に上書きされる
最悪の場合:判断を誤ると、どの回で誤ったか分からない
時系列
14→16のあとの状態:14は失効、16が現行
最悪の場合:構築・運用の負担が重い
自己編集
14→16のあとの状態:エージェントがファイルを書き換える
最悪の場合:書き換えを忘れれば14が残る
原文はここで、時系列の型が必ず勝つとは言っていません。何を一番避けたいかで型を選ぶ、というのが結論です。
原文は例として、Mem0の変遷にも触れています。論文版ではADD / UPDATE / DELETE / NOOPの統合方式でした。
原文によれば、オープンソースのv3では1回のLLM呼び出しで追記のみとし、衝突を読み出し時の順位づけに任せます。論文はarXivにあります。
論文の数値は、著者自身の評価です。
【関連概念】 九つの原型と、背景になる考え方

九つの原型は「何に置くか」と「誰が判断するか」の二軸で見ると並びます。
原文は40超のプロジェクトを、次の九つに分けています。軸は私が付けた整理です。
抽出層
書き込みの特徴:対話の脇で事実を抽出して保存
代表例(原文より):Mem0、Hindsight
書き込み専用モデル
書き込みの特徴:「何を書くか」を訓練済みモデルが担う
代表例(原文より):Hy-Memory(腾讯混元)
時系列・知識グラフ
書き込みの特徴:事実に有効期間を付ける
代表例(原文より):Graphiti / Zep、Cognee
OS式・自己編集
書き込みの特徴:エージェントが記憶を管理する
代表例(原文より):Letta、MemOS
ファイル・文脈DB
書き込みの特徴:記憶を人も読めるファイルにする
代表例(原文より):OpenViking、memU、Memvid
コーディング横断
書き込みの特徴:複数の開発ツールで記憶を共有
代表例(原文より):claude-mem、ai-memory
身元モデル
書き込みの特徴:「その人は誰か」を推論して保持
代表例(原文より):Honcho
フレームワーク内蔵
書き込みの特徴:使っている枠組みの標準機能
代表例(原文より):CrewAI、Mastraなど
自分で組む方式
書き込みの特徴:RedisやPostgresで組む
代表例(原文より):pgvector+BM25+RRF
原文が強調しているもう一つの傾向は、記憶がファイルに戻りつつあり、手続き記憶が「スキル」ファイルになり、書き込み専用のモデルまで出てきたことです。
いちばん軽い始め方はCLAUDE.mdのような1枚のファイルで、数百件の事実までなら足ります。自動取り込みも衝突処理もありませんが、気づかないうちの書き換えも起きにくいと原文は述べています。
ベンチマークの点数は、順位づけには使いません。原文の方針は、スコアはすべてプロジェクト側の自己申告で、評価者モデルや部分集合も違うので順位づけには使わない、というものです。
見るべきは「全文脈を詰め込む基線」や素朴なRAGとの差です。原文は、EverOSの93%が全文脈基線を約1ポイント上回るだけだという指摘を紹介しています。
参考情報・参考書籍(PR)
本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。
『データ指向アプリケーションデザイン』(Martin Kleppmann)は、追記だけのログや、履歴を残すデータ設計を考えるときの背景として使える可能性があります。
関連記事
【まとめ】 選ぶ前に自分で確かめる三点

製品を選ぶ前に、自分のデータで書き込みの失敗を試すのが近道です。
自分の用途で「いちばん避けたい誤り」を一つ決める(漏れ、新旧の併存、気づかないうちの上書き)。
先の「14→16」のように、1事実が2回変わる最小の会話を作り、候補に流して最終状態と履歴を見る。
「全文脈を入れる」「素朴なRAG」を基線として並べ、差を測る。
そのうえで、誰が書き、衝突をどう扱い、誤りを追跡して戻せるか、を答えられる実装を選びます。迷うならCLAUDE.mdのようなファイルから始め、困りごとが出たところから型を上げる、というのが原文の勧めです。