rohitg00--agentmemory/READMEs/README.ja-JP.md at main

Files

T

Rohit Ghumare 2d38dafede chore: 0.9.29 release prep (#1216 )

2026-08-16 14:54:32 +01:00

106 KiB

Raw Permalink Blame History

コーディングエージェントがすべてを記憶します。もう説明し直す必要はありません。 Built on iii engine
Claude Code、Cursor、Gemini CLI、Codex CLI、Hermes、OpenClaw、pi、OpenCode、そしてあらゆる MCP クライアントのための永続メモリ。

この gist は Karpathy の LLM Wiki パターンを信頼度スコア、ライフサイクル管理、ナレッジグラフ、ハイブリッド検索で拡張します。agentmemory はその実装です。

インストール • クイックスタート • ベンチマーク • 競合比較 • エージェント • 仕組み • MCP • ビューワー • Powered by iii • 設定 • API

インストール

コマンド 1 つ:

npx @agentmemory/agentmemory

初回実行は対話式セットアップです: 接続するエージェント(Claude Code、Cursor、Codex、Gemini CLI、OpenCode、...)を選び、LLM プロバイダーを選ぶ(またはキーレスのまま)と、設定をシードし、:3111 でメモリサーバーを起動し、以降どこでも素の agentmemory コマンドが使えるようグローバルインストールを提案します。

続いてリコールが動くことを確かめ、エージェントに skills を与えます:

agentmemory demo --serve                 # サンプルセッションを投入し、リコールが見つける様子を確認
npx skills add rohitg00/agentmemory -y   # 17 個のネイティブ skills — エージェントがいつメモリを使うべきか分かるように

コーディングエージェントに丸ごと任せたい場合は、この指示を 1 つ渡してください:

Retrieve and follow the instructions at: https://raw.githubusercontent.com/rohitg00/agentmemory/main/INSTALL_FOR_AGENTS.md

追加のエージェントはいつでも agentmemory connect <agent> で接続できます — 20 のアダプタはすべてのエージェントで動作に一覧があります。コマンドの完全なリファレンスはクイックスタートへ。

Windows

最速の経路は WSL2 です。ネイティブ Windows のエンジンセットアップは手動(約 10〜20 分)で、agentmemory connect は現在そこではサポートされていません。手順は下の Windows の注記を参照。

グローバルインストール / EACCES

npm install -g @agentmemory/agentmemory
# If you hit EACCES on macOS/Linux system Node installs:
sudo npm install -g @agentmemory/agentmemory

npx が古いバージョンを返す

npx はバージョン単位でキャッシュします。npx -y @agentmemory/agentmemory@latest で最新を強制するか、rm -rf ~/.npm/_npx(macOS/Linux。Windows では %LOCALAPPDATA%\npm-cache\_npx を削除)で一度キャッシュをクリアしてください。

自前の iii エンジンを既に動かしている

agentmemory は iii-engine v0.11.2 にピン留めしており、異なるバージョンにはアタッチしません(worker は別のエンジンのプロトコルを話せません)。他のエンジンを停止してから npx -y @agentmemory/agentmemory@latest を実行してください。ピン留めされた v0.11.2 を ~/.agentmemory/bin にインストールして実行し、あなた自身の iii には触れません。

agentmemory は hooks、MCP、REST API をサポートするあらゆるエージェントで動作します。すべてのエージェントが同じメモリサーバーを共有します。

Claude Code _{ネイティブプラグイン + 12 hooks + MCP}	Codex CLI _{ネイティブプラグイン + 6 hooks + MCP}	OpenClaw _{ネイティブプラグイン + MCP}	Hermes _{ネイティブプラグイン + MCP}	pi _{ネイティブプラグイン + MCP}	OpenHuman _{ネイティブ Memory trait バックエンド}	Cursor _{MCP サーバー}	Gemini CLI _{MCP サーバー}
OpenCode _{22 hooks + MCP + プラグイン}	Cline _{MCP サーバー}	Goose _{MCP サーバー}	Kilo Code _{MCP サーバー}	Aider _{REST API}	Claude Desktop _{MCP サーバー}	Devin _{6 hooks + MCP}	Roo Code _{MCP サーバー}

_{MCP または HTTP を話すあらゆるエージェントで動作。サーバー 1 つで、すべてのエージェントがメモリを共有。}

あなたは毎セッション、同じアーキテクチャを説明し直している。同じバグを何度も発見する。同じ好みを繰り返し教える。組み込みのメモリ(CLAUDE.md、.cursorrules)は 200 行で打ち止め、しかも古びていく。agentmemory がこれを解決します。バックグラウンドで静かにエージェントの動きを捕捉し、検索可能なメモリに圧縮し、次のセッションが始まるときに適切なコンテキストを注入します。コマンド 1 つ。エージェント間で動作します。

何が変わるか: セッション 1 で JWT 認証をセットアップ。セッション 2 でレート制限を依頼する。エージェントは既に、あなたの認証が src/middleware/auth.ts の jose ミドルウェアを使い、テストがトークン検証をカバーし、Edge 互換性のために jsonwebtoken ではなく jose を選んだことを知っています。説明のし直しもコピペも要りません。

npx @agentmemory/agentmemory

v0.9.0 新機能 — ランディングサイト agent-memory.dev 公開、ファイルシステムコネクタ(@agentmemory/fs-watcher)、スタンドアロン MCP は実行中のサーバーへプロキシすることで hooks とビューワーが整合、削除パス全体で監査ポリシーをコード化、健康チェックは小さな Node プロセスで memory_critical を誤検知しなくなりました。詳細は CHANGELOG.md を参照。

検索精度

coding-agent-life-v1(社内コーパス、サンドボックスで再現可能)

アダプタ	P@5	R@5	Top-5 ヒット率	p50 レイテンシ
agentmemory ハイブリッド	0.240	1.000	15 / 15	14 ms
grep ベースライン	0.227	0.967	15 / 15	0 ms

このコーパスの P@5 の数学的上限(0.240、スコアカード参照)で 100% の Top-5 ヒット率。ハイブリッドはすべてのゴールドセッションを取得し、grep は複数セッションにまたがる時間クエリでゴールド 2 件中 1 件を取り逃します。リフトはリコール + 時間性であり、総合精度ではありません。このベンチマークは小規模でゴールドが疎です。差がよりはっきり出るのは、下のより大きな LongMemEval-S です。タイプ別の詳細と訂正の注記: docs/benchmarks/2026-05-20-coding-agent-life-v1.md。

LongMemEval-S(ICLR 2025、500 問)

システム	R@5	R@10	MRR
agentmemory	95.2%	98.6%	88.2%
BM25 のみのフォールバック	86.2%	94.6%	71.5%

トークン削減

方式	トークン/年	コスト/年
フルコンテキスト貼付	19.5M+	不可能(コンテキストウィンドウ超過)
LLM 要約	~650K	~$500
agentmemory	~170K	~$10
agentmemory + ローカル埋め込み	~170K	$0

埋め込みモデル:all-MiniLM-L6-v2(ローカル、無料、API キー不要)。詳細レポート:benchmark/LONGMEMEVAL.md、benchmark/QUALITY.md、benchmark/SCALE.md。競合比較:benchmark/COMPARISON.md — agentmemory vs mem0、Letta、Khoj、supermemory、TencentDB Agent Memory、MemPalace、Zep/Graphiti、Cognee、Hippo。

ローカルで再現: eval/README.md — LongMemEval _s(公開 500 問)+ coding-agent-life-v1(社内 15 セッションコーパス)向けのアダプタプラガブルハーネス。Grep / vector / agentmemory アダプタを並べてスコアリングし、NDJSON 出力、公開スコアカードは docs/benchmarks/ に掲載。

codegraph、Understand Anything、Graphify と組み合わせて使えます。 コードグラフのインデックス、マルチエージェントビルドパイプライン、ドキュメント / PDF / 画像 / 動画にまたがる広範なナレッジグラフ。agentmemory が作業を覚え、これら 3 つのプロジェクトがコンテキストレイヤーの残りを照らします。レシピと質問ルーティング表:docs/recipes/pairings.md。

	agentmemory	mem0 (63K ⭐)	Letta / MemGPT (24K ⭐)	Khoj (36K ⭐)	supermemory (29K ⭐)	TencentDB Agent Memory (22K ⭐)	MemPalace (54K ⭐)	oracleagentmemory	Hippo	組み込み (CLAUDE.md)
種別	メモリエンジン + MCP サーバー	メモリレイヤー API	フルエージェントランタイム	パーソナル AI	メモリ API + アプリ	チームメモリハブ(LLM プロキシ)	ベクトルメモリ(OSS)	メモリエンジン(Oracle DB)	メモリシステム	静的ファイル
検索 R@5	95.2%	68.5% (LoCoMo)	83.2% (LoCoMo)	N/A	自己申告	PersonaMem 76%(自己申告)	~96.6%(自己申告)	94.4%(自己申告)	N/A	N/A (grep)
自動キャプチャ	12 hooks(手動作業ゼロ)	手動の `add()` 呼び出し	エージェントが自分で編集	手動	API 側での抽出	プロキシ横取り(base-URL 差し替え)	手動	API 抽出	手動	手動編集
検索	BM25 + ベクトル + グラフ(RRF 融合)	ベクトル + グラフ	ベクトル(アーカイブ)	セマンティック	ベクトル + RAG	4 種のアセット(Chat / Skill / Wiki / CodeGraph)	ベクトルのみ	ベクトル + セマンティック	減衰重み付け	すべてをコンテキストにロード
マルチエージェント	MCP + REST + リース + シグナル	API(調整なし)	Letta ランタイム内のみ	なし	なし	チームロール + 共有アセット	なし	スコープのみ	マルチエージェント共有	エージェントごとにファイル
フレームワークロックイン	なし(任意の MCP クライアント)	なし	高(Letta 必須)	スタンドアロン	なし	プロキシがすべてのモデル呼び出しを仲介	なし	Oracle Database	なし	エージェントごとのフォーマット
外部依存	なし(SQLite + iii-engine)	Qdrant / pgvector	Postgres + ベクトル DB	複数	マネージドクラウド	Docker スタック(Core + Hub + Proxy)	ベクトルストア	Oracle AI Database	なし	なし
メモリライフサイクル	4 層統合 + 減衰 + 自動忘却	受動的抽出	エージェント管理	手動	自動忘却	手動レビュー(自動ルーティングは開発中)	なし	記載なし	減衰 + 統合	手動プルーニング
トークン効率	~1,900 tokens/セッション ($10/年)	統合方法による	コアメモリがコンテキスト内	場合による	クラウド価格	記載なし	トークン予算なし	LLM ベース(場合による)	場合による	240 観測で 22K+ tokens
リアルタイムビューワー	あり(ポート 3113)	クラウドダッシュボード	クラウドダッシュボード	Web UI	クラウドダッシュボード	Hub の Web UI	なし	なし	なし	なし
セルフホスト	あり(デフォルト)	オプション	オプション	あり	なし(クラウドのみ)	あり(Docker)	あり	あり(Oracle DB)	あり	あり

_{ベンチマーク注: agentmemory の R@5 だけが私たち自身の実測値です(LongMemEval-S、benchmark/COMPARISON.md から再現可能)。mem0 と Letta の数値は各社が公表した LoCoMo の数値(別のデータセット)。MemPalace、supermemory、TencentDB(PersonaMem)、oracleagentmemory の数値はベンダーの自己申告で、私たちは独立に再現していません(oracleagentmemory の実行は Oracle AI Database に対して GPT-5.5 を使用)。同一データでの直接対決ではなく、おおよその目安として並べています。スター数は概数で、時間とともに変動します。}

知っておく価値のある新顔 — 詳細な比較は benchmark/COMPARISON.md:

システム	⭐	切り口
Zep / Graphiti	30K	時間的ナレッジグラフ。公表された時間クエリの結果は最強(LongMemEval 63.8%)だが、グラフ構築が非同期のため新しい事実の反映が遅れることがある
Cognee	30K	ドキュメントからナレッジグラフへの取り込み。Python のみで、セッションキャプチャではなく構造化エンティティ抽出向けに構築

これらはいずれも、コーディングエージェントの hooks からの自動キャプチャ、ローカルファーストのビューワー、キーレス動作を備えていません — agentmemory はまさにこの組み合わせを核に作られています。

互換性:このリリースは安定版の iii-sdk ^0.11.0 と iii-engine v0.11.x を対象とします。

30 秒で試す

# ターミナル 1: サーバーを起動
npx @agentmemory/agentmemory

# ターミナル 2: サンプルデータを投入してリコールを確認
npx @agentmemory/agentmemory demo

demo は 3 つの現実的なセッション(JWT 認証、N+1 クエリ修正、レート制限)を投入し、セマンティック検索を実行します。「database performance optimization」で検索すると「N+1 query fix」が見つかります — キーワード一致ではできない芸当です。

http://localhost:3113 を開けばメモリがリアルタイムに構築される様子が見られます。

日常のコマンド

インストールとセットアップは上のインストールにあります(初回実行が案内してくれます)。日々の操作:

agentmemory                    # サーバー起動
agentmemory stop               # 停止
agentmemory connect <agent>    # 別のエージェントを接続
agentmemory doctor             # 対話型診断 + 修正プロンプト
agentmemory remove             # 作成したものをすべてアンインストール

セッションリプレイ

agentmemory が記録するすべてのセッションは再生可能です。ビューワーを開き、Replay タブを選択し、タイムラインをスクラブしてください: プロンプト、ツール呼び出し、ツール結果、応答が個別のイベントとして表示され、再生/一時停止、速度コントロール(0.5x〜4x)、キーボードショートカット(スペースで切り替え、矢印でステップ)が使えます。

古い Claude Code の JSONL トランスクリプトを取り込むには:

# デフォルトの ~/.claude/projects 配下を一括インポート
npx @agentmemory/agentmemory import-jsonl

# あるいは単一ファイルをインポート
npx @agentmemory/agentmemory import-jsonl ~/.claude/projects/-my-project/abc123.jsonl

インポートしたセッションはネイティブのセッションと並んで Replay ピッカーに表示されます。内部では各エントリが mem::replay::load、mem::replay::sessions、mem::replay::import-jsonl の iii functions を経由し、サイドチャネルサーバーはありません。インポートされた各トランスクリプトは検索用にインデックス化され、オリジンチャネル import が刻印され、セッションクリスタルとレッスンの抽出も行われます。

import-jsonl を主なキャプチャ経路として使う場合の注意: Claude Code の cleanupPeriodDays(~/.claude/settings.json 内、デフォルト 30)は、そのウィンドウより古い JSONL トランスクリプトを ~/.claude/projects/ から自動削除します。数か月分の Claude Code 履歴がある状態で agentmemory を新規インストールすると、30 日より古いものは最初のインポートの前に既に消えています。import-jsonl を cron で回すか、cleanupPeriodDays を大きな値に上げるか、自動キャプチャ hooks(デフォルトのプラグインインストール経路)を配線して、セッションが生きている間に各ターンが agentmemory に着地するようにしてください。そうすれば JSONL のクリーンアップは問題でなくなります。

アップグレード / メンテナンス

意図的にローカルランタイムを更新したいときは、メンテナンスコマンドを使ってください:

npx @agentmemory/agentmemory upgrade

警告: このコマンドは現在のワークスペース/ランタイムを変更します。JavaScript 依存を更新したり、ピン留めされた Docker イメージ iiidev/iii:0.11.2 を pull したりすることがあります。ピン留めされていない、あるいは新しい iii エンジンをインストールすることは決してありません。

実装の詳細は src/cli.ts を参照(src/cli.ts:544-595 付近の runUpgrade)。

Claude Code(1 ブロックそのまま貼り付け)

Install agentmemory: run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server. Then run `/plugin marketplace add rohitg00/agentmemory` and `/plugin install agentmemory` — the plugin registers all 12 hooks, 17 skills, AND auto-wires the `@agentmemory/mcp` stdio server via its `.mcp.json`, so you get 54 MCP tools (memory_smart_search, memory_save, memory_sessions, memory_governance_delete, etc.) without any extra config step. Verify with `curl http://localhost:3111/agentmemory/health`. The real-time viewer is at http://localhost:3113.

プラグインをインストールしない Claude Code(MCP スタンドアロン)

/plugin install ではなく ~/.claude.json から直接 agentmemory の MCP サーバーを配線する場合、Claude Code は ${CLAUDE_PLUGIN_ROOT} を解決しないため、hook スクリプトを ~/.claude/settings.json の絶対パスに向ける必要があります。これらのパスには通常 agentmemory のバージョン(例: ~/.codex/plugins/cache/agentmemory/agentmemory/0.9.21/scripts/…)が埋め込まれるため、次のアップグレードで全 hook が静かに壊れます。

回避策:

agentmemory connect claude-code --with-hooks

同じ hook コマンドを ~/.claude/settings.json にマージし、現在インストールされている @agentmemory/agentmemory パッケージの plugin/ ディレクトリに解決された絶対パスを書き込みます。agentmemory をアップグレードしたら、このコマンドを再実行してパスを更新してください。同じファイル内のユーザーエントリは保持され、以前の agentmemory エントリだけが置き換えられます。/plugin install の経路が推奨アプローチであることに変わりはありません。

リモートや保護されたデプロイでは、AGENTMEMORY_URL と AGENTMEMORY_SECRET を設定して Claude Code を起動します。プラグインはこの両方の値を同梱の MCP サーバーに渡します。AGENTMEMORY_URL が空の場合、MCP shim は http://localhost:3111 にフォールバックします。

Codex CLI(Codex プラグインプラットフォーム)

# 1. 別ターミナルでメモリサーバーを起動
npx @agentmemory/agentmemory

# 2. agentmemory マーケットプレイスを登録してプラグインをインストール
codex plugin marketplace add rohitg00/agentmemory
codex plugin add agentmemory@agentmemory

Codex プラグインは Claude Code プラグインと同じ plugin/ ディレクトリから出荷されます。以下を登録します:

@agentmemory/mcp を MCP サーバーとして(AGENTMEMORY_URL が動作中の agentmemory サーバーを指す場合は 54 ツールすべてをプロキシ、サーバーに到達できない場合はローカルで 7 ツールにフォールバック)
6 つのライフサイクル hooks: SessionStart、UserPromptSubmit、PreToolUse、PostToolUse、PreCompact、Stop
呼び出し可能な 9 つの skills: /recall、/remember、/session-history、/forget、/recap、/handoff、/lesson、/commit-context、/commit-history、さらにエージェントが必要時に読み込む 8 つのリファレンス skills(memory discipline, MCP ツール、REST API、設定、エージェント、フック、アーキテクチャ、skill 執筆ガイド)

Codex の hook エンジンは hook サブプロセスに CLAUDE_PLUGIN_ROOT を注入する(codex-rs/hooks/src/engine/discovery.rs)ので、同じ hook スクリプトが両ホストで重複なく動きます。Subagent / SessionEnd / Notification / TaskCompleted / PostToolUseFailure イベントは Claude Code 専用で、Codex には登録されません。

Codex Desktop: プラグイン hooks は現在無音(回避策あり)

CodexHooks と PluginHooks はどちらも codex-rs/features/src/lib.rs で安定版・デフォルト有効ですが、Codex Desktop ビルドは現在プラグインローカルの hooks.json をディスパッチしません(openai/codex#16430)。MCP ツールは引き続き動きますが、ライフサイクル観測だけが欠落します。

上流が修正を出すまでは、同じ hook コマンドをグローバルな ~/.codex/hooks.json にミラーしてください:

agentmemory connect codex --with-hooks

これは同梱スクリプトへの絶対パスを参照する冪等なブロックを ~/.codex/hooks.json に追加します(ユーザースコープでは ${CLAUDE_PLUGIN_ROOT} の展開は不要)。agentmemory をアップグレードしたら同じコマンドを再実行してパスを更新してください。同じファイル内のユーザーエントリは保持され、以前の agentmemory エントリだけが置き換えられます。

OpenClaw(このプロンプトを貼り付け)

Install agentmemory for OpenClaw. Run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server on localhost:3111. Then add this to my OpenClaw MCP config so agentmemory is available with all 54 memory tools:

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"],
      "env": {
        "AGENTMEMORY_URL": "http://localhost:3111"
      }
    }
  }
}

Restart OpenClaw. Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localhost:3113 for the real-time viewer. For deeper memory-slot integration, copy `integrations/openclaw` to `~/.openclaw/extensions/agentmemory` and enable `plugins.slots.memory = "agentmemory"` in `~/.openclaw/openclaw.json`.

詳細ガイド:integrations/openclaw/

Hermes Agent(このプロンプトを貼り付け)

Install agentmemory for Hermes. Run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server on localhost:3111. Then add this to ~/.hermes/config.yaml so Hermes can use agentmemory as an MCP server with all 54 memory tools:

mcp_servers:
  agentmemory:
    command: npx
    args: ["-y", "@agentmemory/mcp"]

memory:
  provider: agentmemory

Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localhost:3113 for the real-time viewer. For deeper 6-hook memory provider integration (pre-LLM context injection, turn capture, MEMORY.md mirroring, system prompt block), copy integrations/hermes from the agentmemory repo to ~/.hermes/plugins/agentmemory.

詳細ガイド:integrations/hermes/

その他のエージェント

メモリサーバーを起動:npx @agentmemory/agentmemory

`npx skills add` によるネイティブ skills(50+ エージェント)

agentmemory は Claude Code スタイルの <dir>/SKILL.md フォーマットで 17 個の skills を同梱しています: 9 個の呼び出し可能なアクション skills(remember、recall、recap、handoff、forget、lesson、commit-context、commit-history、session-history)と、エージェントがオンデマンドで読み込む 8 個のリファレンス skills(memory-discipline、agentmemory-mcp-tools、agentmemory-rest-api、agentmemory-config、agentmemory-agents、agentmemory-hooks、agentmemory-architecture、write-agentmemory-skill)。リファレンス skills はソースから生成されたデータ表を含むため、決してドリフトしません。vercel-labs の skills CLI が、呼び出し元エージェントのネイティブ skill ディレクトリへ 50+ エージェント(Claude Code、Cursor、Cline、Continue、Droid、Warp、Codex、Antigravity、Kiro、OpenCode、Goose、Roo、Trae、Windsurf など)にわたって自動インストールします:

npx skills add rohitg00/agentmemory -y          # auto-detects the calling agent
npx skills add rohitg00/agentmemory -y -a warp  # explicit agent
npx skills add rohitg00/agentmemory -y -a '*'   # install to every installed agent

これは agentmemory connect <agent> を補完するものです:

agentmemory connect <agent> は MCP サーバー設定を書き込み、ツールを利用可能にします。
npx skills add rohitg00/agentmemory は skills をインストールし、エージェントがいつ呼ぶべきか分かるようにします。

skills CLI がまだカバーしていない少数のエージェント(Zed v1.3.x 以前)では、17 個の SKILL.md ファイルをエージェントのネイティブ skill ディレクトリに自分で置いてください。同じフォーマットがどこでも動きます。

標準 MCP ブロック

mcpServers シェイプを使うホスト(Cursor、Claude Desktop、Cline、Roo Code、Windsurf、Gemini CLI、OpenClaw)では、agentmemory エントリは同じ MCP サーバーブロックです:

"agentmemory": {
  "command": "npx",
  "args": ["-y", "@agentmemory/mcp"],
  "env": {
    "AGENTMEMORY_URL": "${AGENTMEMORY_URL}",
    "AGENTMEMORY_SECRET": "${AGENTMEMORY_SECRET}"
  }
}

このエントリをホストの設定ファイルにある既存の mcpServers オブジェクトにマージしてください — ファイル全体を置き換えないでください。ファイルに既に他のサーバーがある場合は、agentmemory をその隣にもう 1 つのキーとして追加します。mcpServers が完全に欠落している場合は、ブロックを { "mcpServers": { ... } } の中に貼り付けてください。${VAR} プレースホルダーは MCP サーバー起動時にシェルから AGENTMEMORY_URL / AGENTMEMORY_SECRET を継承します — 未設定の変数は空文字列を渡し、shim は http://localhost:3111 にフォールバックします。1 つの接続済みエントリでローカルとリモート(k8s / リバースプロキシ)両方のデプロイに対応します。

エージェント	設定ファイル	備考
Cursor	`~/.cursor/mcp.json`	`mcpServers` にマージ。ウェブサイトでワンクリックディープリンクも利用可能。
Claude Desktop	`claude_desktop_config.json`(Application Support)	`mcpServers` にマージ。編集後 Claude Desktop を再起動。
Cline / Roo Code / Kilo Code	Cline MCP 設定(設定 UI → MCP Servers → Edit)	同じ `mcpServers` ブロック。
Devin CLI	`~/.config/devin/config.json`	`agentmemory connect devin` が MCP エントリをマージし、`--with-hooks` で 6 つのネイティブ自動キャプチャ hooks(SessionStart、UserPromptSubmit、PreToolUse、PostToolUse、Stop、SessionEnd)を Devin の小文字ツールマッチャー付きで追加します。`devin mcp list` と devin 内の `/hooks` で確認してください。
Devin(クラウド)	Settings → Connections → MCP servers	カスタム MCP(STDIO)を追加: command `npx`、args `-y @agentmemory/mcp@latest`、env `AGENTMEMORY_URL` をネットワーク到達可能な agentmemory デプロイに向け、`AGENTMEMORY_SECRET` も設定(クラウドセッションは localhost に到達できません — `deploy/` を参照)。
Gemini CLI	`~/.gemini/settings.json`	`gemini mcp add agentmemory npx -y @agentmemory/mcp --scope user`(自動マージ)。
GitHub Copilot CLI(MCP のみ)	`~/.copilot/mcp-config.json`	`agentmemory connect copilot-cli` が `mcpServers.agentmemory` をマージ。Copilot は次回起動時または `/mcp` で拾い上げます。
GitHub Copilot CLI(フルプラグイン)	Copilot プラグインインストール	GitHub サブディレクトリのプラグインは `copilot plugin install rohitg00/agentmemory:plugin`。
OpenClaw	OpenClaw MCP 設定	同じ `mcpServers` ブロック。より深く: `openclaw plugins install ./integrations/openclaw` は OpenClaw のメモリスロットを占有します(`memory-core` から自動切り替え)。`plugins.entries.agentmemory.hooks.allowConversationAccess=true` を設定しないと、ターンキャプチャがサイレントにブロックされます。`integrations/openclaw` を参照。
Codex CLI(MCP のみ)	`.codex/config.toml`	TOML シェイプ: `codex mcp add agentmemory -- npx -y @agentmemory/mcp`、または `[mcp_servers.agentmemory]` を手動で追加。
Codex CLI(フルプラグイン)	Codex プラグインマーケットプレイス	`codex plugin marketplace add rohitg00/agentmemory` のあと `codex plugin add agentmemory@agentmemory`。MCP + 6 つのライフサイクル hooks(SessionStart、UserPromptSubmit、PreToolUse、PostToolUse、PreCompact、Stop)+ 17 個の skills を登録。Codex Desktop では、openai/codex#16430 が解決するまで `agentmemory connect codex --with-hooks` も実行してください。そちらではプラグイン hooks が現在無音です。
OpenCode(MCP のみ)	`opencode.json`	異なるシェイプ: トップレベルの `mcp` キー、command は配列: `{"mcp": {"agentmemory": {"type": "local", "command": ["npx", "-y", "@agentmemory/mcp"], "enabled": true}}}`。
OpenCode(フルプラグイン)	`plugin/opencode/`	22 個の自動キャプチャ hooks がセッションライフサイクル、メッセージ、ツール、エラーをカバー。プロジェクトの帰属はセッション単位なので、1 つの OpenCode プロセスが複数のリポジトリにまたがっても、各セッションはそれぞれのプロジェクトに記録されます。2 つのスラッシュコマンド(`/recall`、`/remember`)。`plugin/opencode/` を OpenCode ワークスペースにコピーし、プラグインエントリを `opencode.json` に追加。完全な hook 表とギャップ分析は `plugin/opencode/README.md` を参照。
pi	`~/.pi/agent/extensions/agentmemory`	`agentmemory connect pi` が同梱の拡張を pi の自動検出ディレクトリにインストールします(エージェント開始時のリコール、終了時のキャプチャ、`memory_search` / `memory_save` / `memory_health` ツール、`/agentmemory-status`)。実行中の pi では `/reload` で反映されます。`integrations/pi` は pi パッケージでもあります(チェックアウトから `pi install ./integrations/pi`)。
Hermes Agent	`~/.hermes/config.yaml`	`cp -r integrations/hermes ~/.hermes/plugins/agentmemory` + `memory.provider: agentmemory` で 6 フックのメモリプロバイダー(プリフェッチ、ターンキャプチャ、セッション終了、事前圧縮、MEMORY.md ミラーリング、システムプロンプトブロック)が有効になります。`hermes plugins doctor` と `hermes memory status` で検証してください。`integrations/hermes` を参照。
Qwen Code	`~/.qwen/settings.json`	`agentmemory connect qwen` が標準の `mcpServers` ブロックを書き込みます。Hook ペイロードは Claude Code とフィールド互換なので、既存の 12 hook スクリプトはそのまま動作。同じ `settings.json` の `hooks` セクションで配線してください。
Antigravity(Gemini CLI の後継)	`mcp_config.json`(Antigravity の User ディレクトリ内)	`agentmemory connect antigravity` が標準の `mcpServers` ブロックを書き込みます。macOS: `~/Library/Application Support/Antigravity/User/`。Linux: `~/.config/Antigravity/User/`。2026-06-18 の Gemini CLI 終了後に使用。
Antigravity CLI(`agy`)	`~/.gemini/config/mcp_config.json`	`agentmemory connect antigravity-cli`。`agy` CLI は上の Antigravity IDE とは別に、独自の設定を `~/.gemini/` 配下に保持します。ネイティブ自動キャプチャには `--with-hooks` を渡すと `~/.gemini/config/hooks.json` 経由で配線されます。
Kiro	`~/.kiro/settings/mcp.json`	`agentmemory connect kiro` がユーザーレベル設定を書き込みます。ワークスペースのオーバーライドはコードの横にある `.kiro/settings/mcp.json` に。
Warp	`~/.warp/.mcp.json`	`agentmemory connect warp` が標準の `mcpServers` ブロックを書き込みます。Warp は `.claude/skills/` から skills も自動検出します。Claude Code プラグインをインストール済みなら、8 個の agentmemory skills(`remember`、`recall`、`recap`、`handoff`、`forget`、`commit-context`、`commit-history`、`session-history`)が Warp のスラッシュコマンドパレットにネイティブ表示されます。
Cline(CLI)	`~/.cline/mcp.json`	`agentmemory connect cline` が標準の `mcpServers` ブロックを書き込みます。VS Code 拡張ユーザー: 同じブロックを Cline Settings → MCP Servers → Edit JSON から貼り付けてください。
Continue.dev	`~/.continue/config.yaml`(推奨)または `config.json`(レガシー)	`agentmemory connect continue` は、どちらも存在しない場合に `config.yaml` を新規作成し、既存の `config.json` があればそれを変更します。既に `config.yaml` がある場合、アダプタは `mcpServers:` 配下に貼り付けるべき正確なブロックを表示します。コメントやアンカーを安全に保持するにはパッケージが同梱していない YAML パーサーが必要なため、あなたの yaml を黙って書き換えることはありません。Continue は `mcpServers` に(オブジェクトではなく)配列形式を使います。
Zed	`~/.config/zed/settings.json`	`agentmemory connect zed` は `context_servers`(Zed のキー、`mcpServers` ではない)配下に書き込みます。リモート MCP サーバーは代わりに `{"url": "..."}` で配線できます。
Droid(Factory.ai)	`~/.factory/mcp.json`	`agentmemory connect droid` が標準の `mcpServers` ブロックを書き込みます。プロジェクトスコープのオーバーライドは `<repo>/.factory/mcp.json` に。ネイティブ自動キャプチャには `--with-hooks` を渡してください。
DeepSeek Harness	`$DSH_HOME/cordis.patch.yml`	`agentmemory connect dsh` は、すべての Harness プロファイルが読み込むホームレベルのパッチレイヤーに `@deepseek-ai/dsh-mcp-client` の行を追記します。ツールは `mcp__agentmemory__*` として登録されます。`--with-hooks` を渡すと自動キャプチャも配線: 同梱の Claude Code hook スクリプトが、Harness ファーストパーティの `@deepseek-ai/dsh-hooks-claude-code` ブリッジ(SessionStart、UserPromptSubmit、PreToolUse、PostToolUse、Stop)を通じ、`$DSH_HOME/agentmemory.hooks.json` に書き込まれたマニフェスト経由で動きます。`DSH_HOME` 未設定時のデフォルトは `~/.dsh`。
Goose	Goose MCP 設定 UI	同じ `mcpServers` ブロック。`goose configure` → Add Extension → MCP を使用。`~/.config/goose/config.yaml` の直接編集もサポートされますが、スキーマは `extensions:` + `cmd` です(`mcpServers:` + `command` ではありません)。
Aider	n/a	REST API に直接話しかける: `curl -X POST http://localhost:3111/agentmemory/smart-search -d '{"query": "auth"}'`。
任意のエージェント(32+)	n/a	`npx skillkit install agentmemory` がホストを自動検出してマージ。

サンドボックス化された MCP クライアント(Flatpak / Snap / 制限的なコンテナ)はホストの localhost に到達できません: env ブロックに "AGENTMEMORY_FORCE_PROXY": "1" も設定し、AGENTMEMORY_URL をサンドボックスが実際に到達できる経路(例: LAN IP)に向けてください。

プログラマティックアクセス(Python / Rust / Node)

agentmemory はコア操作を iii functions(mem::remember、mem::observe、mem::context、mem::smart-search、mem::forget)として登録します。iii SDK を持つあらゆる言語が ws://localhost:49134 で直接呼び出せます — 言語ごとに REST クライアントを用意する必要はありません。

pip install iii-sdk         # Python
cargo add iii-sdk           # Rust
npm  install iii-sdk        # Node

from iii import register_worker

iii = register_worker("ws://localhost:49134")
iii.connect()

iii.trigger({
    "function_id": "mem::smart-search",
    "payload": {"project": "demo", "query": "how do tokens refresh"},
})

実例:examples/python/(クイックスタート + 観測/リコールフロー)。iii ランタイムがないホスト向けに :3111 の REST も引き続き利用可能。

ソースから

git clone https://github.com/rohitg00/agentmemory.git && cd agentmemory
npm install && npm run build && npm start

iii が既にインストールされていれば、これでローカルの iii-engine で agentmemory が起動します。Docker が使える場合は Docker Compose にフォールバックします。REST、ストリーム、ビューワーはデフォルトで 127.0.0.1 にバインドします。

iii-engine を手動でインストールしてください。agentmemory は現在 iii-engine を v0.11.2 にピン留めしています — v0.11.6 では iii worker add で何でもサンドボックス化する新モデルが導入されましたが、agentmemory はまだそれ向けにリファクタリングされていません。リファクタが完了次第ピンは解除されます。サンドボックスモデルへ手動移行済みなら AGENTMEMORY_III_VERSION=<version> でオーバーライドできます。

macOS arm64: mkdir -p ~/.local/bin && curl -fsSL https://github.com/iii-hq/iii/releases/download/iii/v0.11.2/iii-aarch64-apple-darwin.tar.gz | tar -xz -C ~/.local/bin && chmod +x ~/.local/bin/iii
macOS x64: aarch64-apple-darwin を x86_64-apple-darwin に置換
Linux x64: x86_64-unknown-linux-gnu に置換
Linux arm64: aarch64-unknown-linux-gnu に置換
Windows: iii-hq/iii releases v0.11.2 から iii-x86_64-pc-windows-msvc.zip をダウンロード、iii.exe を展開し PATH に追加

または Docker を使用(同梱の docker-compose.yml が iiidev/iii:0.11.2 を pull します)。詳細ドキュメント:iii.dev/docs。

Windows

agentmemory は Windows 10/11 で動作しますが、Node.js パッケージだけでは不十分で、iii-engine ランタイム(別のネイティブバイナリ)もバックグラウンドプロセスとして必要です。公式の上流インストーラは sh スクリプトで、今のところ PowerShell インストーラや scoop/winget パッケージは存在しないため、Windows ユーザーには 2 つの経路があります:

選択肢 A: ビルド済み Windows バイナリ(推奨)

# 1. ブラウザで https://github.com/iii-hq/iii/releases/tag/iii%2Fv0.11.2 を開く
#    (engine v0.11.6+ が要求する新しいサンドボックスモデルへ
#     agentmemory がリファクタリングされるまで v0.11.2 にピン留め)
# 2. iii-x86_64-pc-windows-msvc.zip をダウンロード
#    (ARM マシンの場合は iii-aarch64-pc-windows-msvc.zip)
# 3. iii.exe を PATH 上のどこかに展開、または以下に配置:
#    %USERPROFILE%\.local\bin\iii.exe
#    (agentmemory はこの場所を自動でチェックします)
# 4. 確認:
iii --version
# 出力: 0.11.2

# 5. その後 agentmemory を通常通り起動:
npx -y @agentmemory/agentmemory

選択肢 B: Docker Desktop

# 1. Docker Desktop for Windows をインストール
# 2. Docker Desktop を起動し、エンジンが動作中であることを確認
# 3. agentmemory を実行 — 同梱の compose ファイルが自動起動します:
npx -y @agentmemory/agentmemory

選択肢 C: スタンドアロン MCP のみ(エンジンなし)。 エージェント用に MCP ツールだけが必要で、REST API、ビューワー、cron ジョブが不要なら、エンジンを完全にスキップ:

npx -y @agentmemory/agentmemory mcp
# あるいは shim パッケージ経由:
npx -y @agentmemory/mcp

Windows の診断: npx @agentmemory/agentmemory が失敗する場合、--verbose 付きで再実行して実際のエンジン stderr を確認してください。よくある失敗パターン:

症状	修正
`iii-engine process started` のあとに `did not become ready within 15s`	エンジンが起動時にクラッシュ — `--verbose` で再実行し stderr を確認
`Could not start iii-engine`	`iii.exe` も Docker もインストールされていない。上記の選択肢 A または B を参照
ポート競合	`netstat -ano \| findstr :3111` でバインドを確認、kill するか `--port <N>` を使用
Docker をインストール済みなのにフォールバックがスキップされる	Docker Desktop が実際に動作している(システムトレイアイコン)ことを確認

注意: iii エンジン はビルド済みバイナリであり、cargo クレートではありません — cargo install でインストールしようとしないでください。(iii SDK は crates.io、npm、PyPI に公開されていますが、agentmemory には不要です。)サポートされるエンジンのインストール方法はすべて v0.11.2 にピン留めされています: 上記のビルド済み v0.11.2 バイナリ、バージョンピン付きの上流 sh インストールスクリプト curl -fsSL https://install.iii.dev/iii/main/install.sh | VERSION=0.11.2 sh(macOS/Linux)、および Docker イメージ iiidev/iii:0.11.2。単なる install.sh | sh は最新のエンジンをインストールしますが、agentmemory はそれをサポートしていません — 必ず VERSION=0.11.2 を渡してください。最も簡単なのは、npx @agentmemory/agentmemory を実行するだけです。これがピン留めされたエンジンを ~/.agentmemory/bin に取得してくれます。

デプロイ

マネージドホスト向けのワンクリックテンプレート。それぞれが自己完結した Dockerfile を提供し、npm から @agentmemory/agentmemory を pull して公式の iiidev/iii Docker Hub イメージから iii engine バイナリをコピーします — 事前にビルドした agentmemory イメージは不要です。永続ストレージは /data にマウントされます。初回起動の entrypoint は npm 同梱の iii 設定(127.0.0.1 をバインド)をデプロイ向けに調整した設定(0.0.0.0 をバインドし絶対 /data パスを使用)で上書きし、 HMAC シークレットを生成、そして gosu で root から node に権限を落としてから agentmemory CLI を exec します。

Render のワンクリックデプロイボタンはリポジトリルートに render.yaml を要求しますが、ルートをあえて綺麗に保っています。deploy/render/ にドキュメント化された Render Blueprint フローを使い、リポジトリ内のブループリントを手動で指してください。

完全なセットアップ詳細(HMAC キャプチャ、ビューワーの SSH トンネル、ローテーション、バックアップ、コスト下限)は deploy/ を参照:

deploy/fly — 単一マシンで auto_stop_machines = "stop"、アイドル時最安。
deploy/railway — Hobby プラン定額、ボリュームはダッシュボードで。
deploy/render — Blueprint フロー、有料プランで自動ディスクスナップショット。
deploy/coolify — Coolify 経由で自前 VPS にセルフホスト。同じ Docker Compose スタックで、ホストとデータは自分の手元に。

公開されるのはポート 3111 のみです。3113 のビューワーはコンテナ内でループバックにバインドされ続けます — 各テンプレートの README にそこへ到達する SSH トンネルパターンが記載されています。

すべてのコーディングエージェントはセッションが終わるとすべてを忘れ、新しいセッションはあなたがスタックを説明し直すところから始まります。agentmemory はバックグラウンドで動作し、そのステップをなくします。

Session 1: "Add auth to the API"
  Agent writes code, runs tests, fixes bugs
  agentmemory silently captures every tool use
  Session ends -> observations compressed into structured memory

Session 2: "Now add rate limiting"
  Agent already knows:
    - Auth uses JWT middleware in src/middleware/auth.ts
    - Tests in test/auth.test.ts cover token validation
    - You chose jose over jsonwebtoken for Edge compatibility
  Zero re-explaining. Starts working immediately.

組み込みエージェントメモリとの比較

すべての AI コーディングエージェントには組み込みのメモリが付属します — Claude Code には MEMORY.md、Cursor には notepad、Cline には memory bank。これらは付箋のようなものです。agentmemory はその付箋の背後にある検索可能なデータベースです。

	組み込み (CLAUDE.md)	agentmemory
スケール	200 行上限	無制限
検索	すべてをコンテキストにロード	BM25 + ベクトル + グラフ(top-K のみ)
トークンコスト	240 観測で 22K+	~1,900 tokens(92% 削減)
クロスエージェント	エージェントごとのファイル	MCP + REST(任意のエージェント)
調整	なし	リース、シグナル、アクション、ルーチン
可観測性	手動でファイルを読む	ポート 3113 のリアルタイムビューワー

メモリパイプライン

PostToolUse hook fires
  -> SHA-256 dedup (5min window)
  -> Privacy filter (strip secrets, API keys)
  -> Store raw observation
  -> LLM compress -> structured facts + concepts + narrative
  -> Vector embedding (6 providers + local)
  -> Index in BM25 + vector

Stop / SessionEnd hook fires
  -> Summarize session
  -> Knowledge graph extraction (if GRAPH_EXTRACTION_ENABLED=true)
  -> Slot reflection (if SLOT_REFLECT_ENABLED=true)

SessionStart hook fires
  -> Load project profile (top concepts, files, patterns)
  -> Hybrid search (BM25 + vector + graph)
  -> Token budget (default: 2000 tokens)
  -> Inject into conversation

4 層メモリ統合

人間の脳が記憶を処理する方法(睡眠時の記憶統合を含む)をモデルにしています。

層	内容	例え
Working(作業記憶)	ツール使用からの生観測	短期記憶
Episodic(エピソード記憶)	圧縮されたセッション要約	「何が起きたか」
Semantic(意味記憶)	抽出された事実とパターン	「何を知っているか」
Procedural(手続き記憶)	ワークフローと意思決定パターン	「どうやるか」

記憶は時間とともに減衰(エビングハウス曲線)。頻繁にアクセスされる記憶は強化されます。古い記憶は自動退避。矛盾は検出され解決されます。

何をキャプチャするか

Hook	キャプチャ内容
`SessionStart`	プロジェクトパス、セッション ID
`UserPromptSubmit`	ユーザープロンプト(プライバシーフィルタ済み)
`PreToolUse`	ファイルアクセスパターン + コンテキスト富化
`PostToolUse`	ツール名、入力、出力
`PostToolUseFailure`	エラーコンテキスト
`PreCompact`	コンパクション前にメモリを再注入
`SubagentStart/Stop`	サブエージェントのライフサイクル
`Stop`	セッション終了時の要約
`SessionEnd`	セッション完了マーカー

主な機能

機能	説明
自動キャプチャ	hooks で毎ツール使用を記録、手動作業なし
セマンティック検索	BM25 + ベクトル + ナレッジグラフ、RRF 融合
メモリ進化	バージョン管理、上書き、関係グラフ
リコール衛生	上書き(supersede)されたメモリバージョンは検索インデックスから外れ、KV のバージョンチェーンが全履歴を保持
近接重複ヒント	新しい内容が既存メモリに酷似している場合、保存時に参考情報として `similarTo` の一致を報告
エージェント別スコープ	`agentId` が REST、MCP、検索インデックスを貫いて保存とリコールに通り、共有モードと分離モードに対応
書き込み時の来歴	すべての観測とメモリが、キャプチャ・保存・インポート時に刻印された不変のオリジンチャネル(user、agent、tool、import、shared)を保持
自動忘却	TTL 期限切れ、矛盾検出、重要度退避
プライバシー優先	API キー、シークレット、`<private>` タグは保存前に除去
自己修復	サーキットブレーカー、プロバイダーフォールバックチェーン、ヘルスモニタ
Claude ブリッジ	MEMORY.md と双方向同期
ナレッジグラフ	エンティティ抽出 + BFS 探索
チームメモリ	チームメンバー間で名前空間化された共有 + プライベート
引用の出所追跡	あらゆるメモリを元の観測まで遡れる
Git スナップショット	メモリ状態のバージョン、ロールバック、diff

3 つのシグナルを組み合わせるトリプルストリーム検索:

ストリーム	役割	起動条件
BM25	ステミング付きキーワード一致と類義語拡張	常時有効
Vector(ベクトル)	密埋め込みのコサイン類似度	埋め込みプロバイダー設定時
Graph(グラフ)	エンティティ一致によるナレッジグラフ探索	クエリにエンティティ検出時

Reciprocal Rank Fusion (RRF, k=60) で融合し、セッションで多様化(セッションあたり最大 3 件)。

ハイブリッドランキングは smart-search だけでなく主要なリコール経路に適用されます: mem::search(memory_recall の背後)は、ベクトルインデックスが構築され次第、同じ BM25 + ベクトル + グラフ融合でランク付けします。レッスンのリコールは、クエリごとにコーパス全体をスキャンする代わりに、専用のインメモリ BM25 インデックスで動きます。上書きされたメモリバージョンはすべてのリコール経路から除外され、バージョンチェーンが履歴を保持します。

BM25 は箱から出してすぐにギリシャ文字、キリル文字、ヘブライ文字、アラビア文字、アクセント付きラテン文字をトークン化できます。中国語 / 日本語 / 韓国語のメモリには、オプションのセグメンタ(npm install @node-rs/jieba tiny-segmenter)をインストールして CJK 連続を単語レベルのトークンに分割してください。インストールしない場合、agentmemory は連続全体をそのままトークン化するソフトフォールバックに切り替わり、stderr に一度だけヒントを出します。

埋め込みプロバイダー

agentmemory はプロバイダーを自動検出します。最良の結果を得るには、ローカル埋め込み(無料)をインストール:

npm install @huggingface/transformers

プロバイダー	モデル	コスト	備考
ローカル(推奨)	`all-MiniLM-L6-v2`	無料	オフライン、BM25 単独より召集率 +8pp
Gemini	`gemini-embedding-001`	無料枠	100+ 言語、768/1536/3072 次元 (MRL)、2048 トークン入力。`text-embedding-004` の後継(非推奨、2026 年 1 月 14 日に停止)
OpenAI	`text-embedding-3-small`	$0.02/1M	最高品質
Voyage AI	`voyage-code-3`	有料	コード向け最適化
Cohere	`embed-english-v3.0`	無料試用	汎用
OpenRouter	任意のモデル	場合による	マルチモデルプロキシ

54 ツール、6 リソース、3 プロンプト、17 skills。

MCP shim とフルサーバー: 公開されている @agentmemory/mcp パッケージは薄い shim です。AGENTMEMORY_URL 経由で動作中の agentmemory サーバーに到達できる場合に限り、完全な 54 ツール群を公開します(プロキシモード)。サーバーに到達できない場合、shim は 7 ツールのローカルセット(memory_save、memory_recall、memory_smart_search、memory_sessions、memory_export、memory_audit、memory_governance_delete)にフォールバックします。AGENTMEMORY_TOOLS=core|all 環境変数はサーバー側のフラグです — shim の env ブロックで設定しても効果はありません。Cursor / OpenCode / Gemini CLI で 7 ツールしか見えない場合は、npx @agentmemory/agentmemory(または Docker スタック)を起動し、AGENTMEMORY_URL=http://localhost:3111 を設定してください。

54 ツール

ツールの公開範囲は小さい順に 3 段階: AGENTMEMORY_TOOLS=core は表示を 8 個の必須ツール(memory_save、memory_recall、memory_consolidate、memory_smart_search、memory_sessions、memory_diagnose、memory_lesson_save、memory_reflect)に絞ります。下の基本セットはレジストリの基盤となる 14 ツール、デフォルト(AGENTMEMORY_TOOLS=all)は 54 個すべてを公開します。

基本ツール(14)

ツール	説明
`memory_recall`	過去の観測を検索
`memory_compress_file`	構造を保持したまま markdown ファイルを圧縮
`memory_save`	洞察、決定、パターンを保存
`memory_file_history`	特定ファイルに関する過去の観測
`memory_patterns`	繰り返し現れるパターンを検出
`memory_sessions`	最近のセッション一覧
`memory_smart_search`	ハイブリッドなセマンティック + キーワード検索
`memory_vision_search`	画像観測を検索
`memory_timeline`	時系列の観測
`memory_profile`	プロジェクトプロファイル(概念、ファイル、パターン)
`memory_export`	すべてのメモリデータをエクスポート
`memory_relations`	関係グラフを照会
`memory_commit_lookup`	git コミットの背後にあるセッション
`memory_commits`	セッションに記録されたコミット

拡張ツール(全 54、デフォルトの公開範囲)

ツール	説明
`memory_patterns`	繰り返し現れるパターンを検出
`memory_timeline`	時系列の観測
`memory_relations`	関係グラフを照会
`memory_graph_query`	ナレッジグラフ探索
`memory_consolidate`	4 層統合を実行
`memory_claude_bridge_sync`	MEMORY.md と同期
`memory_team_share`	チームメンバーと共有
`memory_team_feed`	最近の共有アイテム
`memory_audit`	操作の監査証跡
`memory_governance_delete`	監査証跡付き削除
`memory_snapshot_create`	Git バージョンスナップショット
`memory_action_create`	依存関係付き作業項目を作成
`memory_action_update`	アクションのステータス更新
`memory_frontier`	優先度順のブロック解除済みアクション
`memory_next`	次に最も重要なアクション 1 つ
`memory_lease`	排他的アクションリース(マルチエージェント)
`memory_routine_run`	ワークフロールーチンをインスタンス化
`memory_signal_send`	エージェント間メッセージング
`memory_signal_read`	受領確認付きでメッセージを読む
`memory_checkpoint`	外部条件ゲート
`memory_mesh_sync`	インスタンス間 P2P 同期
`memory_sentinel_create`	イベント駆動ウォッチャー
`memory_sentinel_trigger`	外部からセンチネルを発火
`memory_sketch_create`	一時的なアクショングラフ
`memory_sketch_promote`	永続化に昇格
`memory_crystallize`	アクションチェーンをコンパクト化
`memory_diagnose`	ヘルスチェック
`memory_heal`	詰まった状態を自動修復
`memory_facet_tag`	次元:値タグ
`memory_facet_query`	facet タグで照会
`memory_verify`	出所を追跡

6 リソース · 3 プロンプト · 17 Skills

種類	名前	説明
Resource	`agentmemory://status`	ヘルス、セッション数、メモリ数
Resource	`agentmemory://project/{name}/profile`	プロジェクト別インテリジェンス
Resource	`agentmemory://project/{name}/recent`	プロジェクトの最近の観測
Resource	`agentmemory://memories/latest`	直近 10 件のアクティブメモリ
Resource	`agentmemory://graph/stats`	ナレッジグラフ統計
Resource	`agentmemory://team/{id}/profile`	共有チームプロファイル
Prompt	`recall_context`	検索してコンテキストメッセージを返す
Prompt	`session_handoff`	エージェント間でのハンドオフデータ
Prompt	`detect_patterns`	繰り返し現れるパターンを分析
Skill	`/recall`	メモリを検索
Skill	`/remember`	長期メモリに保存
Skill	`/session-history`	最近のセッション要約
Skill	`/forget`	観測/セッションを削除

この表は 4 つのコア skills を示しています。フルセットは 8 個の呼び出し可能 skills と 7 個のリファレンス skills です。上の「ネイティブ skills」セクションを参照してください。

スタンドアロン MCP

フルサーバーなしで実行 — 任意の MCP クライアント向け。以下のどちらも動きます:

npx -y @agentmemory/agentmemory mcp   # 正規(常時利用可能)
npx -y @agentmemory/mcp                # shim パッケージのエイリアス

またはエージェントの MCP 設定に追加:

ほとんどのエージェント(Cursor、Claude Desktop、Cline、Roo Code、Windsurf、Gemini CLI):

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"],
      "env": {
        "AGENTMEMORY_URL": "http://localhost:3111"
      }
    }
  }
}

agentmemory エントリはホストの既存 mcpServers オブジェクトにマージし、ファイル全体を置き換えないでください。ホストの localhost に到達できないサンドボックスクライアントには、env ブロックに "AGENTMEMORY_FORCE_PROXY": "1" を追加し、AGENTMEMORY_URL をサンドボックスが到達できる経路に設定してください。

OpenCode (opencode.json):

{
  "mcp": {
    "agentmemory": {
      "type": "local",
      "command": ["npx", "-y", "@agentmemory/mcp"],
      "enabled": true
    }
  },
  "plugin": ["./plugins/agentmemory-capture.ts"]
}

リポジトリからプラグインファイルをコピー:

mkdir -p ~/.config/opencode/plugins
cp plugin/opencode/agentmemory-capture.ts ~/.config/opencode/plugins/
cp plugin/opencode/commands/*.md ~/.config/opencode/commands/

ポート 3113 で自動起動。ストリームステータスインジケータ付きのライブ観測ストリーム、2 ペインのセッションエクスプローラ(ワイド画面ではリストの横に固定の詳細パネル)、生の JSON とオリジン来歴を含む保存レコード全体まで展開できるメモリ / レッスン行、リレーションが疎な間はノードを種類ごとにクラスタリングするナレッジグラフ、セッションリプレイ、ヘルスダッシュボード。

open http://localhost:3113

ビューワーサーバーはデフォルトで 127.0.0.1 にバインドします。REST 経由の /agentmemory/viewer エンドポイントは通常の AGENTMEMORY_SECRET ベアラートークン規則に従います。CSP ヘッダーはレスポンスごとのスクリプト nonce を使い、インラインハンドラ属性は無効化(script-src-attr 'none')。

:3113 のビューワーはエージェントが覚えたことを見せます。iii コンソールはエージェントがやったことを見せます — 各メモリ操作は OpenTelemetry トレース、各 KV エントリは編集可能、各 function は呼び出し可能、各ストリームは tap 可能。同じメモリへの 2 つの窓: 一方はプロダクト形、もう一方はエンジン形。

memory_smart_search の発火を眺め、BM25 スキャン → 埋め込み参照 → RRF 融合 → リランカーをウォーターフォールで見ます。KV ブラウザで詰まった統合タイマーを編集します。調整したペイロードで PostToolUse hook を再生します。WebSocket ストリームをピンして観測がライブで着地するのを眺めます。

agentmemory はこれを無料で提供します。すべての function 呼び出しとトリガーが iii を通って発火するからです。カスタム実装も計装も不要です。

Workers ページ: agentmemory 自身を含む、接続中のすべての worker と PID、function 数、ランタイム、最終応答時刻。

インストール済みです。 コンソールは iii に同梱 — 別途インストーラはありません。

agentmemory と並行して起動:

# agentmemory ビューワーがポート 3113 を握っているので、コンソールは 3114 で実行します。
# エンジン REST (3111)、WebSocket (3112)、bridge (49134) のデフォルトは agentmemory と一致します。
iii console --port 3114

その後 http://localhost:3114 を開きます。--enable-flow で実験的なアーキテクチャグラフページを有効化します。

エンジンエンドポイントを移動した場合のみ上書き:

iii console --port 3114 \
  --engine-port 3111 \
  --ws-port 3112 \
  --bridge-port 49134

コンソールでできること:

ページ	用途
Workers	agentmemory worker 自身を含む、接続中の各 worker とライブメトリクスを表示。
Functions	JSON ペイロードを与えて agentmemory の任意の function を直接呼び出し — クライアントを配線せずに `memory.recall`、`memory.consolidate`、`graph.query` をテストできて便利。
Triggers	HTTP、cron、イベント、ステートのトリガーを再生 — 統合 cron を手動で発火、HTTP ルートを再試行、ステート変更を発行。
States	フル CRUD の KV ブラウザ — セッション、メモリスロット、ライフサイクルタイマー、埋め込みインデックス — その場で値を編集。
Streams	メモリ書き込み、hook イベント、観測更新が iii ストリームを流れる様子をライブで監視する WebSocket モニタ。
Queues	永続キューのトピック + デッドレター管理。失敗した埋め込み / 圧縮ジョブを再生または破棄。
Traces	OpenTelemetry のウォーターフォール / フレーム / サービスブレークダウン。`trace_id` でフィルタすれば、単一の `memory.search` がどの function、DB 呼び出し、埋め込みリクエストを生んだか正確にわかります。
Logs	構造化 OTEL ログをフィルタし、trace/span ID と相関付け。
Config	ランタイム設定 — エンジンがどの worker、プロバイダー、ポートで動いているか確認。
Flow	(オプション、`--enable-flow`)各 worker、トリガー、ストリームの対話型アーキテクチャグラフ。

Traces: すべてのメモリ操作についてウォーターフォール / フレーム / サービスブレークダウン。

Traces は既にオン:

iii-config.yaml は出荷時から iii-observability worker を有効化(exporter: memory、sampling_ratio: 1.0、メトリクス + ログ)。追加設定不要 — agentmemory が起動した瞬間に、すべてのメモリ操作がトレーススパンとコンソールが読み取れる構造化ログを出します。

代わりに Jaeger / Honeycomb / Grafana Tempo へエクスポートしたい場合は、exporter: memory を exporter: otlp に変更し、iii の可観測性ドキュメントに従ってコレクタエンドポイントを設定してください。

注意: コンソール自身に認証は強制されていません — デフォルトの 127.0.0.1 バインドのままにし、決して公開しないでください。

agentmemory はそれ自体が稼働中の iii インスタンスです。3 つのプリミティブ(worker、function、トリガー)がランタイムを構成し、KV ステート、ストリーム、OTEL トレースは iii に同梱される iii-state、iii-stream、iii-observability worker が提供します。Postgres、Redis、Express、pm2、Prometheus をインストールしなかったのは、iii がそれらを置き換えるからです。

つまり、もう 1 つのコマンドで agentmemory にまったく新しい機能を拡張できます。

1 つのコマンドで agentmemory を拡張

iii worker add iii-pubsub          # メモリ書き込みを接続中のすべてのインスタンスに fan-out
iii worker add iii-cron            # スケジュール統合、減衰スイープ、スナップショットローテーション
iii worker add iii-queue           # 埋め込み + 圧縮ジョブの永続リトライ
iii worker add iii-observability   # すべてのメモリ操作に OTEL トレース(デフォルト オン)
iii worker add iii-sandbox         # リコールしたコードを隔離 microVM 内で実行
iii worker add iii-database        # SQL バックエンドのステートアダプタに切り替え
iii worker add mcp                 # agentmemory MCP の横に汎用 MCP ホストを立てる

各 iii worker add は新しい function とトリガーを、agentmemory が既に動いているのと同じエンジンに登録します。ビューワーとコンソールがすぐに拾い上げます — リロード不要、新しい統合不要、新しいコンテナ不要。

`iii worker add`	agentmemory の上に得られるもの
`iii-pubsub`	マルチインスタンスメモリ: すべての `remember` が fan-out、すべての `search` が和集合を読む
`iii-cron`	スケジュールされたライフサイクル — 夜間統合、週次スナップショット、固定クロックでの減衰
`iii-queue`	永続リトライ: 失敗した埋め込み + 圧縮ジョブが再起動を生き延び、観測は失われない
`iii-observability`	すべての function に OTEL トレース、メトリクス、ログ — 初日から `iii-config.yaml` に配線済み
`iii-sandbox`	`memory_recall` から出てきたコードはあなたのシェルではなく使い捨て VM 内で実行
`iii-database`	デフォルトのインメモリ KV では足りないときの SQL バックエンドのステートアダプタ
`mcp`	agentmemory の隣に追加の MCP サーバーを立て、同じエンジンを共有

完全なレジストリ:workers.iii.dev。そこにあるすべての worker は agentmemory が使っているのと同じプリミティブで組み立てられています — そして既に手元にある agentmemory もその 1 つです。

iii が置き換えるもの

従来のスタック	agentmemory が使うもの
Express.js / Fastify	iii HTTP Triggers
SQLite / Postgres + pgvector	iii KV State + インメモリベクトルインデックス
SSE / Socket.io	iii Streams (WebSocket)
pm2 / systemd	iii engine worker 監視
Prometheus / Grafana	iii OTEL + ヘルスモニタ
カスタムプラグインシステム	`iii worker add <name>`

182 ソースファイル · ~41,600 LOC · 1,619 テスト · 264 functions · 50 KV スコープ — すべて 3 つのプリミティブの上に。agentmemory plugin install はありません。プラグインシステムは iii そのものです。

LLM プロバイダー

agentmemory は環境から自動検出します。デフォルトでは、プロバイダーを設定するか Claude 購読フォールバックに明示的にオプトインしない限り、LLM 呼び出しは行いません。

プロバイダー	設定	備考
No-op(デフォルト)	設定不要	LLM 駆動の compress/summarize は無効。合成 BM25 圧縮 + リコールは引き続き動作。以前 Claude 購読フォールバックに依存していた場合は、下記の `AGENTMEMORY_ALLOW_AGENT_SDK` を参照。
Anthropic API	`ANTHROPIC_API_KEY`	トークン単位課金
MiniMax	`MINIMAX_API_KEY`	Anthropic 互換
Gemini	`GEMINI_API_KEY`	埋め込みも有効化
OpenRouter	`OPENROUTER_API_KEY`	任意のモデル
OpenAI API	`OPENAI_API_KEY`	デフォルト `gpt-5.6-luna`、`OPENAI_MODEL` で上書き
ローカル(Ollama / LM Studio / vLLM / llama.cpp)	`OPENAI_API_KEY=local` + `OPENAI_BASE_URL=http://localhost:11434/v1`(Ollama)または `http://localhost:1234/v1`(LM Studio)+ `OPENAI_MODEL=<your model>`	OpenAI API 互換なら何でも。コストゼロ、あなたのハードウェアで動作。下記のローカルモデルを参照。
Claude 購読フォールバック	`AGENTMEMORY_ALLOW_AGENT_SDK=true`	オプトインのみ。`@anthropic-ai/claude-agent-sdk` セッションを生成 — 過去に無限の Stop-hook 再帰を引き起こしたため、もはやデフォルトではありません。

ローカルモデル(Ollama / LM Studio / vLLM)

agentmemory は OpenAI API 互換のあらゆるサーバーと通信できるため、/v1/chat/completions を公開するものならコード変更なしで動きます。有料キーもクラウドもレート制限もなし。すべてあなたのハードウェア上で動作します。

Ollama(デフォルトポート 11434):

ollama pull qwen3:8b   # or qwen3:4b, gpt-oss:20b, qwen3-coder:30b, etc.
ollama serve

# ~/.agentmemory/.env
OPENAI_API_KEY=ollama                          # any non-empty string; Ollama ignores it
OPENAI_BASE_URL=http://localhost:11434/v1
OPENAI_MODEL=qwen3:8b

LM Studio(デフォルトポート 1234):

LM Studio を開く → Local Server タブ → Start Server。ピッカーから任意のチャットモデル(Qwen 3、gpt-oss、DeepSeek R1 など)を選択します。

# ~/.agentmemory/.env
OPENAI_API_KEY=lmstudio                        # any non-empty string; LM Studio ignores it
OPENAI_BASE_URL=http://localhost:1234/v1
OPENAI_MODEL=qwen3-8b                          # match the model name from LM Studio

vLLM / llama.cpp / Text Generation Inference: 同じ形です。OPENAI_BASE_URL をサーバーが公開する URL に向け、OPENAI_MODEL をサーバーが受け付ける名前に設定してください。

メモリ作業向けのモデル選び: 圧縮と要約は短いタスク(入力 <2K トークン、出力 <500 トークン)なので、7B クラスの instruct モデルで十分です。推奨:

モデル	サイズ	理由
`qwen3:8b`	~5.2 GB	16 GB マシンでのバランス型デフォルト。抽出とツール形式のテキストに強い
`qwen3:4b`	~2.6 GB	最小の現実的な選択肢。圧縮には十分、グラフ抽出はやや弱い
`qwen3-coder:30b`	~19 GB	コード中心のセッションに最良のローカル候補(30B MoE、アクティブ 3.3B)。24〜32 GB ハードウェア向け
`gpt-oss:20b`	~14 GB	16 GB RAM に収まる強力な汎用モデル
`deepseek-r1:8b`	~5.2 GB	推論蒸留モデル。遅いが抽出はよりクリーン

Qwen 3 モデルはデフォルトで思考(thinking)を行い、出力を出す前に推論だけでトークン予算を使い切ることがあります。AGENTMEMORY_LLM_NOTHINK=1 を設定するとグラフ抽出プロンプトに /no_think が付加されます。抽出結果が空で返る場合は MAX_TOKENS を上げてください(16384 で動作します)。

推論クラスのモデル(<think> ブロックを持つ o1 系)は、ローカルサーバーが表面化しない可能性のある reasoning フィールドとともに空の content を返すことがあります。抽出が空で返る場合は、まず非推論モデルに切り替えてください。OPENAI_REASONING_EFFORT=none 環境変数でも、OpenAI の推論スキーマを踏襲する Ollama Cloud の thinking モデルの思考を無効化できます。

ローカル埋め込みは @huggingface/transformers 経由で最初から同梱されています: EMBEDDING_PROVIDER=local(デフォルト)で Xenova/all-MiniLM-L6-v2(384 次元)が完全にオンデバイスで使えます。追加設定は不要です。

コストを意識したモデル選択

バックグラウンド圧縮は観測のたびに走るため、モデル選択は月額支出に大きく効きます。記録されたワークロード: 635 リクエスト / 888K トークン / 35 時間のアクティブ使用、2026-05-23 時点の OpenRouter 価格で 3 モデルを比較。

階層	モデル	入力 / 1M	出力 / 1M	35 時間のワークロードでのコスト	備考
推奨	`deepseek/deepseek-v4-flash-0731`	$0.07	$0.14	~$0.07(推定)	最新の DeepSeek。圧縮ワークロード向けの最安の推奨候補。
推奨	`deepseek/deepseek-v4-pro`	$0.435	$0.87	~$0.46	圧縮 + 要約品質が手堅く、Sonnet の約 10 分の 1 のコスト。
推奨	`qwen/qwen3-coder`	$0.45	$1.80	~$0.55	セッションがコード中心ならコード推論が強い。
プレミアム	`anthropic/claude-sonnet-5`	$3.00	$15.00	~$5.02(推定)	実測した Sonnet 4.6 ランと同じ定価。2026-08-31 までは $2/$10 の導入価格。
プレミアム	`openai/gpt-5.6-sol`	$5.00	$30.00	~$9(推定)	フラッグシップ階層。常時稼働のバックグラウンド作業には高価。
回避	`anthropic/claude-opus-5`	$5.00	$25.00	~$8.40(推定)	フラッグシップクラスのモデル。圧縮には過剰支出。

実測の行は記録された実行から得たもので、(推定) の行は同じトークン構成を各モデルの定価でスケールしたものです。

agentmemory は OPENROUTER_MODEL がプレミアム階層パターンと一致するときランタイム警告を表示します。納得して選んだあとは AGENTMEMORY_SUPPRESS_COST_WARNING=1 で消音できます。

メモリ作業における品質対コストのトレードオフ: 圧縮は品質のハードルが比較的緩い要約タスクです(要約を読み返すのはエージェントであってユーザーではありません)。DeepSeek V4 Flash / V4 Pro / Qwen3-Coder はこのタスクで Sonnet と誤差範囲に収まる一方、コストは 10〜70 分の 1 です。プレミアム階層のモデルは、あなたが直接読むクエリに取っておきましょう。

出典:OpenRouter の Claude Sonnet 5 価格、DeepSeek V4 Flash、DeepSeek の価格に関する注。

マルチエージェントメモリ(`AGENT_ID` + `AGENTMEMORY_AGENT_SCOPE`)

複数のロール(architect / developer / reviewer / researcher / support-agent)が 1 つの agentmemory サーバーを共有するマルチエージェント構成では、AGENT_ID がすべての書き込みに発信したロールのタグを付けます。AGENTMEMORY_AGENT_SCOPE はリコールがそのタグでフィルタするかどうかを制御します。

TEAM_ID=company
USER_ID=engineering-team
AGENT_ID=architect
AGENTMEMORY_AGENT_SCOPE=isolated  # 任意、デフォルトは "shared"

2 つのモード:

モード	書き込みにタグ	リコールでフィルタ	使いどころ
`shared`(デフォルト)	はい	いいえ	監査証跡付きのクロスエージェントコンテキスト。Architect は developer のメモを見られるが、各行に発言者が記録されます。
`isolated`	はい	はい	厳格分離。Architect は developer の観測 / メモリ / セッションを決して見られません。

AGENT_ID が設定されたときにタグ付けされるもの:Session.agentId、RawObservation.agentId、CompressedObservation.agentId、Memory.agentId。ロールは api::session::start → mem::observe → mem::compress → KV を流れます。

isolated モードでフィルタされるもの:mem::smart-search、/agentmemory/memories、/agentmemory/observations、/agentmemory/sessions。各エンドポイントはリクエスト単位でオーバーライドする ?agentId=<role> を受け付け、?agentId=* で環境スコープから完全にオプトアウトできます。/memories はさらに ?includeOrphans=true を受け付け、agentId が undefined の AGENT_ID 導入前のメモリを浮上させます。

SDK / REST 層での呼び出し単位オーバーライド: すべての変更系エンドポイント(/session/start、/remember)はリクエストボディに agentId フィールドを受け付け、環境変数より優先されます。1 つのサーバープロセス経由で多数のロールをルーティングするランタイムに便利です。MCP の memory_save ツールも同じ agentId フィールドを公開し、スタンドアロン stdio サーバーは agentId と project の両方を転送します。保存されたメモリは agentId を検索インデックスまで持ち込むため、エージェントスコープの検索は観測だけでなくメモリもカバーします。

AGENT_ID が未設定の場合、メモリはスコープなしのまま(従来の挙動、タグなし・フィルタなし)。

ポート

agentmemory + iii-engine はデフォルトで 4 つのポートをバインドします。再起動が port in use で失敗する場合、この表でどのプロセスを探せばよいか分かります。

ポート	プロセス	用途	環境変数で上書き
`3111`	agentmemory	REST API + MCP HTTP + `/agentmemory/health` + `/agentmemory/livez`	`III_REST_PORT`
`3112`	iii-engine	内部ストリーム worker(agentmemory + ビューワーが消費)	`III_STREAMS_PORT`
`3113`	agentmemory	リアルタイムビューワー(`http://localhost:3113`)	`AGENTMEMORY_VIEWER_PORT`
`49134`	iii-engine	WebSocket — worker はここに登録、OTel テレメトリもここを流れる	`III_ENGINE_URL`(完全 URL、デフォルト `ws://localhost:49134`)

クラッシュ後にポートが解放されないときの古いプロセス整理:

# macOS / Linux — 各ポートで動いているものを探して kill
lsof -i :3111,3112,3113,49134
pkill -f agentmemory || true
pkill -f 'iii ' || true

# Windows
netstat -ano | findstr ":3111 :3112 :3113 :49134"
taskkill /F /PID <pid>

agentmemory stop は正常終了時に worker と engine の pidfile を綺麗に回収します。Docker モードでは agentmemory 自身の compose サービスだけを停止し、Docker の停止前にネイティブ worker を回収します。また CLI は、--force を渡さない限り、Docker や VM のポート保持プロセス(Docker バックエンド、vpnkit、colima)をネイティブエンジンとして採用・シグナルすることを拒否します。上の手動クリーンアップは、どちらの pidfile も残っていないクラッシュ後の状態を対象とします。

設定ファイル

agentmemory のランタイム設定は、各シェルで変数を export するのではなく ~/.agentmemory/.env に置いてください。ビューワーが export ANTHROPIC_API_KEY=... のようなセットアップヒントを表示したら、これをこのファイルに ANTHROPIC_API_KEY=... として(export プレフィックスなしで)コピーしてから agentmemory を再起動してください。

プロセスの環境変数も引き続き有効で、ファイルの値より優先されます。

Windows では同じファイルが %USERPROFILE%\.agentmemory\.env にあります:

New-Item -ItemType Directory -Force $HOME\.agentmemory
notepad $HOME\.agentmemory\.env

API キーの代わりに Claude Code Pro/Max 購読でテストするには、明示的にオプトイン:

AGENTMEMORY_ALLOW_AGENT_SDK=true
AGENTMEMORY_AUTO_COMPRESS=true

グラフや統合の機能を使いたい場合は同じファイルでオン:

GRAPH_EXTRACTION_ENABLED=true
CONSOLIDATION_ENABLED=true

環境変数

~/.agentmemory/.env を作成:

# LLM provider (pick one — default is the no-op provider: no LLM calls)
# ANTHROPIC_API_KEY=sk-ant-...
# ANTHROPIC_BASE_URL=...              # Optional: Anthropic-compatible proxy / Azure
# GEMINI_API_KEY=...
# OPENROUTER_API_KEY=...
# MINIMAX_API_KEY=...
# OPENAI_API_KEY=***                       # NOTE: this same key auto-activates BOTH the
#                                          # OpenAI LLM provider (here) AND the OpenAI
#                                          # embedding provider (further below). Set
#                                          # OPENAI_API_KEY_FOR_LLM=false to scope it
#                                          # to embeddings only.
# OPENAI_BASE_URL=https://api.openai.com   # Optional: override for Azure / vLLM / LM Studio / proxies
#                                          # Azure: https://<resource>.openai.azure.com/openai/deployments/<deployment>
#                                          # Auto-detected from `.openai.azure.com` hostname; uses
#                                          # api-key header + api-version query param.
# OPENAI_API_VERSION=2024-08-01-preview    # Optional: Azure api-version query param
# OPENAI_MODEL=gpt-5.6-luna                # Optional: default model
# OPENAI_TIMEOUT_MS=60000                  # Optional: OpenAI-scoped alias for the outbound fetch
#                                          # timeout. Takes precedence over AGENTMEMORY_LLM_TIMEOUT_MS
#                                          # for back-compat with v0.9.17. New configs should
#                                          # prefer the global AGENTMEMORY_LLM_TIMEOUT_MS below.
# OPENAI_REASONING_EFFORT=none             # Optional: "low" | "medium" | "high" | "none"
#                                          # Honored only by OpenAI's reasoning models (o1, o3,
#                                          # gpt-*-reasoning) and providers that mirror that
#                                          # schema (Ollama Cloud thinking models). Standard
#                                          # chat models reject this field with 400. Set to
#                                          # "none" for thinking models that return reasoning
#                                          # but no content.
# OPENAI_API_KEY_FOR_LLM=false             # Optional: set to false to skip OpenAI auto-detection
#                                          # for LLM (useful if you only want OpenAI for embeddings)
# Opt-in Claude-subscription fallback (spawns @anthropic-ai/claude-agent-sdk);
# leave OFF unless you understand the Stop-hook recursion risk:
# AGENTMEMORY_ALLOW_AGENT_SDK=true

# Embedding provider (auto-detected, or override)
# EMBEDDING_PROVIDER=local
# VOYAGE_API_KEY=...
# OPENAI_API_KEY=sk-...
# OPENAI_BASE_URL=https://api.openai.com   # Override for Azure / vLLM / LM Studio / proxies
# OPENAI_EMBEDDING_MODEL=text-embedding-3-small
# OPENAI_EMBEDDING_DIMENSIONS=1536        # Required when the model is not in the known-models table

# Outbound LLM / embedding timeout
# AGENTMEMORY_LLM_TIMEOUT_MS=60000       # Default: 60 000 ms (60 s). Applies to every
                                          # raw-fetch provider (Gemini, OpenRouter, MiniMax,
                                          # OpenAI LLM, OpenAI/Cohere/Voyage/OpenRouter
                                          # embedding). For the OpenAI LLM path, the
                                          # OpenAI-scoped OPENAI_TIMEOUT_MS alias (above)
                                          # takes precedence when set, for back-compat
                                          # with v0.9.17.
                                          # Increase for slow networks or large batch calls;
                                          # decrease to fail-fast on rate-limit holds.

# Search tuning
# BM25_WEIGHT=0.4
# VECTOR_WEIGHT=0.6
# TOKEN_BUDGET=2000

# Auth
# AGENTMEMORY_SECRET=your-secret

# Ports (defaults: 3111 API, 3113 viewer)
# III_REST_PORT=3111

# Features
# AGENTMEMORY_AUTO_COMPRESS=false  # OFF by default. When on,
                                   # every PostToolUse hook calls your
                                   # LLM provider to compress the
                                   # observation — expect significant
                                   # token spend on active sessions.
# AGENTMEMORY_SLOTS=false          # OFF by default. Editable pinned
                                   # memory slots — persona,
                                   # user_preferences, tool_guidelines,
                                   # project_context, guidance,
                                   # pending_items, session_patterns,
                                   # self_notes. Size-limited; agent
                                   # edits via memory_slot_* tools.
                                   # Pinned slots addressable for
                                   # SessionStart injection.
# AGENTMEMORY_REFLECT=false        # OFF by default. Requires SLOTS=on.
                                   # Stop hook fires mem::slot-reflect:
                                   # scans recent observations, auto-
                                   # appends TODOs to pending_items,
                                   # counts patterns in
                                   # session_patterns, records touched
                                   # files in project_context. Fire-
                                   # and-forget; does not block.
# AGENTMEMORY_INJECT_CONTEXT=false # OFF by default. When on:
                                   # - SessionStart may inject ~1-2K
                                   #   chars of project context into
                                   #   the first turn of each session
                                   #   (this is what actually reaches
                                   #   the model — Claude Code treats
                                   #   SessionStart stdout as context)
                                   # - PreToolUse fires /agentmemory/enrich
                                   #   on every file-touching tool call
                                   #   (resource cleanup, not a token
                                   #   fix — PreToolUse stdout is debug
                                   #   log only per Claude Code docs)
                                   # Observations are still captured via
                                   # PostToolUse regardless of this flag.
# GRAPH_EXTRACTION_ENABLED=false
# AGENTMEMORY_LLM_NOTHINK=1        # Local reasoning models only: ask the
                                   # model to skip its hidden thinking pass
                                   # during graph extraction. Faster runs;
                                   # relation quality can drop slightly.
# CONSOLIDATION_ENABLED=false   # on by default when an LLM provider is configured
# LESSON_DECAY_ENABLED=true
# OBSIDIAN_AUTO_EXPORT=false
# AGENTMEMORY_EXPORT_ROOT=~/.agentmemory
# CLAUDE_MEMORY_BRIDGE=false
# SNAPSHOT_ENABLED=false

# Team
# TEAM_ID=
# USER_ID=
# TEAM_MODE=private

# Tool visibility: "all" (54 tools, default) or "core" (8 tools, lean)
# AGENTMEMORY_TOOLS=core

ポート 3111 上の 124 エンドポイント。REST API はデフォルトで 127.0.0.1 にバインドします。AGENTMEMORY_SECRET が設定されている場合、保護されたエンドポイントは Authorization: Bearer <secret> を要求し、mesh sync エンドポイントは両ピアで AGENTMEMORY_SECRET を要求します。

主要エンドポイント

メソッド	パス	説明
`GET`	`/agentmemory/health`	ヘルスチェック(常に公開)
`POST`	`/agentmemory/session/start`	セッション開始 + コンテキスト取得
`POST`	`/agentmemory/session/end`	セッション終了
`POST`	`/agentmemory/observe`	観測キャプチャ
`POST`	`/agentmemory/smart-search`	ハイブリッド検索
`POST`	`/agentmemory/context`	コンテキスト生成
`POST`	`/agentmemory/remember`	長期メモリに保存
`POST`	`/agentmemory/forget`	観測の削除
`POST`	`/agentmemory/enrich`	ファイルコンテキスト + メモリ + bug
`GET`	`/agentmemory/profile`	プロジェクトプロファイル
`GET`	`/agentmemory/export`	全データをエクスポート
`POST`	`/agentmemory/import`	JSON からインポート
`POST`	`/agentmemory/graph/query`	ナレッジグラフ照会
`POST`	`/agentmemory/team/share`	チームと共有
`GET`	`/agentmemory/audit`	監査証跡

完全なエンドポイント一覧:src/triggers/api.ts

npm run dev               # ホットリロード
npm run build             # 本番ビルド
npm test                  # 1,619 テスト
npm run test:integration  # API テスト(サービス起動が必要)

前提: Node.js >= 20、iii-engine または Docker

Apache-2.0

106 KiB Raw Permalink Blame History