毎回、あなたの OpenClaw "ロブスター" がメモリを失うたびに、単にお金を無駄にするだけでなく、大きな頭痛の種を引き起こします。
再起動することさえためらってしまいます。
私、九儿は、
エージェントメモリに関する 10 以上の論文をレビューし、
合計 77K スターを持つ 6 つのオープンソース GitHub プロジェクトを分析し、
ここであなたの OpenClaw メモリの問題点を、あらゆるレイヤーにわたって解説します—
現状から解決策、そして学術からエンジニアリングまで。
I. 厳しい現実—あなたのエージェントは金魚の記憶しか持っていない
まずは数字から：45 時間。
GitHub Issue #5429 の報告者 EmpireCreator は、45 時間分の蓄積されたエージェントコンテキスト（スキル設定、統合パラメータ、タスクの優先順位）を失いました。原因は、警告や復元オプションなしにすべての会話履歴を消去する、サイレントコンパクションでした。
これは孤立したケースではありません。
Issue #2624 は、エージェントがランダムにリセットされ、たった 2 メッセージ前の会話を忘れてしまうことを報告しています。Issue #8723 は、メモリフラッシュが無限ループを引き起こし、エージェントを 72 分間ロックしたことを報告しています。
OpenClaw の現在のメモリアーキテクチャは何でしょうか？一文で言えば：Markdown ファイル + ベクトル検索。
メモリは ~/.openclaw/workspace/ ディレクトリ下の Markdown ファイルに保存されます。
Daily Logs は短期ログであり、
MEMORY.md は長期記憶、
SOUL.md は性格を定義します。検索には、ベクトル埋め込みと BM25 検索のハイブリッド方式が使用されます。
この設計には、ある Medium ブロガーが正確に要約した特徴があります：
「意図的にクールじゃない—メモリを Markdown ファイルとして扱い、検索をツールコールとして扱う。」
問題はどこにあるのでしょうか？ 6 つの言葉：フラット、無差別、受動的。
すべての記憶に同じ重みがあり、1 年前の雑談と昨日の重要な決断が同じように扱われます。
忘却メカニズム？なし、手動で削除する必要があります。
自動整理？完全に手動管理に依存しています。
検索は意味的な類似性のみを見て、重要度は見ず、「A は B の友人である」のような関係を表現できません。
データはデータのままであり、決して認知にはなりません。
コミュニティのツイートが最も率直に述べています：「誰もが自分の OpenClaw が記憶喪失だと文句を言っている。」
II. 公式 OpenClaw が行っていること—QMD バックエンドとハイブリッド検索
公式チームも遊んでいるわけではありません。
2026 年 1 月〜2 月のリリーススケジュール：
v2026.1.12（1 月 13 日）：ベクトル検索インフラを立ち上げ。SQLite インデックス作成 + チャンク分割 + レイジー同期 + ファイル監視を含み、ローカルおよびリモートの埋め込みをサポート。これはメモリ検索システム全体の基盤です。
v2026.1.29（1 月 29 日）：L2 正規化の修正。ローカル埋め込みベクトルが正規化されておらず、コサイン類似度の計算が歪んでいました。このバグにより、以前のセマンティック検索の精度に問題がありました。追加のインデックスパスをサポートするようになりました。
v2026.2.2（2 月 4 日）：QMD メモリバックエンドをマージ（PR #3160）—最も重要なアーキテクチャアップグレード。30 コミット。BM25 + ベクトル + 再ランキングの 3 ウェイハイブリッド検索のための QMD バックエンドサポートを追加。
QMD は何をしたのでしょうか？
ビルトインの SQLite インデクサーを、ローカル検索サイドカープロセスに置き換えます。各エージェント/設定の組み合わせがサイドカーをキャッシュし、複数の名前付きコレクションをサポートします。セッションレコードはエクスポートして専用コレクションにインデックス化できます。プライバシーのため、セッションデータはインデックス化前に匿名化されます。QMD が利用できない場合は自動的に SQLite にフォールバックします。
既知の問題：
CPU のみのシステムでのクエリ時間は約 3 分 40 秒で、12 秒のタイムアウトを超えます（Issue #8786）。paths 設定が有効になりません（Issue #8750）。
さらに、フォールバックはサイレントに行われ、ユーザーは QMD が機能していないことを知りません。
一方、PR #6060 は「発見可能性」の問題を解決しようとしています：OpenClaw のメモリシステムには強力な機能があるものの、ユーザーが見つけられないという問題です。この提案では、オンボーディングウィザードに「メモリ最適化」ステップを追加し、デフォルトでオフになっている 4 つの隠れた機能（プリコンパクションメモリフラッシュ、ハイブリッド検索、埋め込みキャッシュ、セッションレコード検索）を公開します。
公式の方向性における核心的な問題：これらはすべて「検索レイヤー」の最適化です。検索がより正確に、より速く、より発見しやすくなります。
しかし、メモリアーキテクチャに欠けている 6 つの基本的な要素：
忘却、重要度、グラフ、内省、時間順序、昇格
これらはどれも対処されていません。
III. コミュニティが自己救済している方法—DIY ソリューション
コミュニティは公式チームを待ってはいませんでした。2026 年 1 月〜2 月には、少なくとも 7 つのサードパーティ製メモリプロジェクトが出現しました。
- Mem0：最も有名なメモリレイヤー SDK。Auto-Recall は、各応答の前に関連するメモリを検索してコンテキストに注入します。Auto-Capture は、保存のために事実を抽出します。セッション + ユーザーの 2 層メモリを特徴とし、レイテンシを 91% 削減、トークンを 90% 節約すると主張しています。
- Hindsight：ローカル長期記憶。核心的な洞察：従来のシステムはエージェントに
search_memoryツールを与えますが、モデルはそれを使用しない可能性があります。Auto-Recall の自動注入がこれを解決します。完全にローカルで、PostgreSQL をバックエンドとし、マルチインスタンス共有をサポートします。
- MoltBrain（365 スター）：SQLite + ChromaDB セマンティック検索、ライフサイクルフックによるコンテキストの自動キャプチャ、タイムラインを表示する Web UI。
- NOVA Memory System：PostgreSQL 構造化メモリ。Claude API を使用して自然言語を 8 つのデータベーステーブル（エンティティ、関係、場所、プロジェクト、イベント、教訓、好み）にわたる JSON に解析します。
- Penfield Skill：BM25 + ベクトル + グラフによるハイブリッド検索—コミュニティの誰かがすでに 3 ウェイハイブリッド検索を行っています。
- その他には、Memory Template（Git バックアップ）、SuperMemory（非常に初期段階）、MemoryPlugin（クロスプラットフォーム同期のための Chrome 拡張機能）があります。
コミュニティの「ベストプラクティス」はどのような方向性を検証しているのでしょうか？
- Daily Log → MEMORY.md への昇格モデル。
- メモリ統合のトリガーとしての Heartbeats の使用。
- 70/30 のハイブリッド検索重み付け（70% ベクトル + 30% キーワード）。
- セッショントランスクリプトのインデックス化。
しかし、コミュニティは依然として 6 つの盲点に触れていません：忘却/減衰メカニズム、重要度スコアリング、ナレッジグラフ、自動内省/統合、時間的推論、メモリ昇格。
要するに：コミュニティは手動操作でアーキテクチャの欠陥を補っています。方向性は正しいですが、すべて手動レベルにとどまっています。
IV. 学術的な爆発—2026 年 2 月に 10 以上の論文
2026 年 2 月、エージェントメモリは突然、主要な学術的戦場となりました。xMemory [1]（ICML 2026）や A-MEM [2]（NeurIPS 2025）を含む 10 以上の論文が arXiv で公開されました。59 人の著者によるサーベイ論文 [3] が、この分野を体系的に整理しました。
これらの論文は私たちに何を教えているのでしょうか？
xMemory [1]（ICML 2026、キングス・カレッジ・ロンドン）：メモリを意味コンポーネントに分離し、階層的に整理します。スパーシティ・セマンティクス目標を使用してメモリの分割とマージをガイドします。この研究は「トピッククラスタリングレイヤー」設計に着想を与え、メモリの上にトピックレイヤーを構築してトップダウン検索をサポートします。
A-MEM [2]（NeurIPS 2025）：Zettelkasten 方式を使用してエージェントメモリを管理します。新しいメモリが追加されると、コンテキストの説明、キーワード、タグを含む構造化ノートを生成し、動的インデックス作成とリンクを通じて相互接続された知識ネットワークを作成します。
InfMem [4]：長文書の推論を解決します。PreThink-Retrieve-Write プロトコルを介して System-2 スタイルのアクティブメモリ制御を実装します。32K から 1M トークンの QA ベンチマークで精度が 10〜12% 向上し、推論時間が 3.9 倍削減されました。
TAME [5]：重大な危険性を特定しました：「エージェントメモリの誤進化」。通常のタスク反復中にメモリに「有毒な近道」が蓄積される可能性があります—効率的ではあるが安全性に違反する戦略です。Executor/Evaluator のデュアルメモリフレームワークを提案しています。
ALMA [6]：AI がメモリ設計を自動的に発見できるようにするメタ学習フレームワーク。学習された設計は手動ベースラインより 6〜13% 優れていました。ただし、特にメモリの減衰、忘却、または排除メカニズムが欠けています。
MemSkill [7]：メモリ操作を学習可能な「メモリスキル」として再構成します。コントローラがスキルを選択することを学習し、デザイナーが定期的に困難なケースをレビューしてスキルセットを進化させます。
BudgetMem [8]：メモリ処理を 3 つのバジェット階層に構造化するランタイムメモリフレームワーク。強化学習を使用して軽量ルーターをトレーニングします。
59 人の著者によるサーベイ論文 [3] は、明確な 3 次元の分類法を提供しています：
- 基盤：メモリはどのように保存されるか？ベクトル、グラフ、ドキュメント？
- メカニズム：どのように読み書きされるか？受動的記録か能動的推論か？
- 主体：誰のメモリか？ユーザーのものか、エージェントのものか、共有か？
業界からの 2 つの重要な警告：
- シリアル崩壊 [9]（Moonshot AI Kimi K2.5 より）：エージェントがメモリを使用しなくなるように劣化する。システムが存在しても、エージェントは徐々にそれを照会することを「忘れる」可能性があります。
- メモリ誤進化 [5]（TAME より）：通常の反復中に有毒な近道が蓄積される。
これらのリスクは、メモリシステムの難しさは構築することではなく、継続的な品質監視にあることを思い出させてくれます。
V. オープンソースメモリエコシステム—6 つのプロジェクトのスキャン
学術界が方向性を定義し、オープンソースコミュニティが実装を検証します。
私たちは、合計 77K 以上のスターを持つ 6 つのエージェントメモリプロジェクトを深く分析しました。
重要な発見：これらの 6 つのプロジェクトは、3 つの完全に異なるメモリ哲学を表しています。
- 状態レイヤー優先（mem0、Memori）：メモリ = 状態管理。エージェントに「ChatGPT メモリ」スタイルのエクスペリエンスを迅速に提供します。
- 知識レイヤー優先（cognee、MemOS）：メモリ = 構造化知識。データをグラフやマルチ知識ベースに変換します。
- 学習レイヤー優先（Hindsight）：メモリ = 学習プロセス。保持/想起/内省操作のクローズドループ。
あなたの選択によって、システムの複雑さをどこに置くかが決まります：データベーススキーマ（Memori）、SDK/プロダクトレイヤー（mem0）、グラフとパイプライン（cognee）、システムスケジューリング（MemOS）、または学習と検索の融合（Hindsight）。
しかし、単一のプロジェクトが 3 つのレイヤーすべてをカバーしているわけではありません。
VI. 200 以上の Issue からの教訓—他の人が経験した落とし穴
私たちは、これらの 6 つのプロジェクトから 200 以上の Issue を分析し、メモリシステムを構築するための価値の高いチェックリストを抽出しました。
5 つの共通のクロスプロジェクト問題：
- サイレント障害（6/6 プロジェクト）：最も一般的な問題。ユーザーは「動作せず、理由も教えてくれない」と不満を述べています（例：mem0 #2443、Memori #238）。
- メモリの重複排除：誰にとっても悩みの種。LLM は重複コンテンツを「矛盾している」と判断することが多く、誤った削除につながります（例：mem0 #1674）。
- 信頼できない LLM の判断：LLM が言い換え中に一人称参照を失ったり、安定した JSON を出力できなかったりする（例：MemOS #931、#934）。
- データベース接続/移行：SQLite 接続リークや Docker デプロイメントの移行失敗（例：Memori #189、cognee #2022）。
- 検索ランキングの歪み：正規化の問題により、距離 0.1 と 0.5 の両方が 0 として扱われ、検索に時間次元が欠如している（例：cognee #2030、MemOS #939）。
VII. ゲーム AI からの洞察—Dwarf Fortress、The Sims、Nemesis System
最も過小評価されている参考資料は学術論文ではなく、ゲーム AI です。ゲーム開発者は、仮想キャラクターに一貫性のある記憶と安定した性格を与える方法を何十年もかけて解決してきました。
Dwarf Fortress の 3 層メモリアーキテクチャ：
- 短期記憶（STM）：8 スロットの循環バッファキュー。新しい記憶は、感情の強度に基づいて競合します（例：死を目撃する vs 少し空腹である）。
- 長期記憶（LTM）：記憶が STM に十分長くとどまり、置き換えられなかった場合、昇格を試みます。NPC が「回想」するとき、コアメモリになる確率は 1:3 です。
- コアメモリ：質的な変化。昇格すると、キャラクターパラメータを恒久的に変更します（例：「親戚の死を目撃」→ 不安 +10）。
スタンフォードの生成エージェント [10] 3 次元検索：
検索スコア = 最近性 x 重要度 x 関連性。最近性は指数関数的減衰を使用し、重要度は LLM によってスコアリングされ、関連性はコサイン類似度を使用します。彼らの内省メカニズムは、事実の想起率を 41% から 87% に向上させました。
The Sims 4 の感情の固着：
頻繁に発生する短期感情は、永続的な特性に変化します。長期にわたる孤独は「孤独好き」特性になり、効用関数の計算を恒久的に変更します。
Nemesis System のイベント駆動型進化：
イベントタグがパラメータの突然変異を引き起こし、それがソーシャルネットワークを通じて伝播します。火で殺されたオークは、「火への恐怖」または「燃える怒り」の特性を持って戻ってくる可能性があります。
これらのメカニズムは、AI エージェントメモリに直接マッピングできます：コンテキスト管理のための循環バッファ、重要度スコアリングのための感情の強度、些細な事実から性格特性へと進化するためのメモリ昇格。
VIII. 2 種類のメモリ—ユーザーメモリとエージェントメモリ
見落とされがちな区別：ユーザーメモリとエージェントメモリは、2 つの異なる問題です。
ByteDance の OpenViking プロジェクトは、実用的な分類を提供しています：
- 6 カテゴリ（プロフィール、好み、エンティティ、イベント、ケース、パターン）。
- L0/L1/L2 コンテンツモデル：インデックス作成用の L0 サマリー（約 100 トークン）、構造用の L1 概要（約 500 トークン）、完全なコンテンツ用の L2 全文。これにより、トークン消費が大幅に削減されます。
IX. 個人から AI エコシステムへ—なぜメモリがコアインフラなのか
メモリ問題を最初に解決した者が、24 時間 365 日のエージェント戦争に勝利します。OpenClaw の核心的な価値は、AI が「より賢い」ことではなく、ついに「手と足」を持ったことです。
しかし、手と足があってもメモリのない AI は、毎日すべてを忘れ、絶え間ない再トレーニングが必要で、同じ過ちを繰り返す従業員のようなものです。
以前のレポートで述べたように、すべての LLM ベースのエージェントはメモリの問題に直面しています。これは OpenClaw のバグではなく、テクノロと呼ぶことができます (should be テクノロジースタック) の構造的な限界です。コンテキストウィンドウは本質的に「短期記憶」です：オーバーフローは切り捨てにつながり、再起動はゼロリセットにつながります。
https://x.com/li9292/status/2023355272542998796
2026 年 2 月における、学術的な密度、オープンソースの爆発、公式のアップグレードの収束は、AI メモリが「あると便利」からコアインフラへと移行していることを示しています。
X. 私たちが構築しているもの—memX と ePro のロードマップ
この調査に基づいて、私たちは 2 つのシステムを構築しています：memX（ユーザーメモリ）と ePro（エージェントメモリ）。これらは稼働しており、反復を続けています。皆様からのフィードバックをお待ちしています！
この要約では簡潔のため参考文献は省略していますが、完全なレポートには含まれています。
このレポートは、2026 年 2 月 23 日時点のデータスナップショットに基づいています。李九儿が Claude Max、Manus、Google Gemini と協力して作成しました。
