mem0でLLMチャットの記憶を管理してみる

はじめに

最近ではChatGPTやClaudeでもメモリー機能が展開されており、会話中に別のチャットで話した内容を参考に回答してくれます。(メモリ機能をオンにしていたことを忘れ、急にそのチャットでは会話してない内容もAI側から話されびっくりされたことがある人も多いのかも...?)
技術的には、会話履歴を毎回プロンプトに詰め込めば解決はしますが、トークンが肥大化するため、データ量によってはうまく機能しないことになります。
自作するAIチャットやエージェント機能もメモリこのようなAIに記憶を持たせるため、この記事では、AIエージェント向けのメモリレイヤーOSSである mem0 を Gemini API と組み合わせて動かしてみます。

mem0 とは

会話から「覚えておくべき事実」をLLMで自動抽出し、ベクトルDBに永続化、必要なときに意味検索で取り出してくれるライブラリです。OpenAI、Anthropic、Gemini など複数のLLMに対応しており、ベクトルストアもデフォルトでローカル（Qdrant）が起動するので、追加のインフラ準備は不要です。

記憶の作り方には特徴があります。会話をそのまま保存するのではなく、まず事実の候補をLLMで抜き出し（抽出フェーズ）、次に既存の記憶と意味検索で照合して、LLMが「新規追加・更新・矛盾の削除・据え置き」のいずれかを判断します（更新フェーズ）。このため記憶は会話の丸写しではなく、整理・更新された事実として溜まっていきます。

メモリの種類

mem0 は人間の記憶モデルになぞらえて、記憶を 短期記憶 と 長期記憶 に分けて扱います。

• 短期記憶：1回のやりとり内の一時情報。直近の会話履歴や、ツール出力などの作業状態（ワーキングメモリ）です。
• 長期記憶：セッションをまたいで残る知識。add() するだけで mem0 が次の種類に自動で振り分けます。
  • Factual（事実）：ユーザーの嗜好やアカウント情報など「何を知っているか」
  • Episodic（エピソード）：「いつ何があったか」という対話や出来事の記録
  • Semantic（意味）：概念どうしの関係

短期か長期かは、寿命ごとのレイヤーで指定します。下表の Conversation / Session が短期記憶、User / Org が長期記憶 にあたります。

検索時は全レイヤーを横断してランキングされます。今回のは、永続的な記憶として最も使い勝手のよい user memory（user_id）を中心に扱います。

環境

• Python 3.10+
• Gemini API キー（Google AI Studio で取得）

pip install mem0ai google-genai
export GEMINI_API_KEY="your-api-key"

geminiで記憶付きチャットボットを作る

mem0 と Gemini を組み合わせて、セッションをまたいでも覚えているチャットボットを作ります。
ユーザーの発言に関連する記憶を search で引いてプロンプトに差し込み、生成したやりとりを add で記憶に書き戻します。

# chatbot.py
from google import genai
from mem0 import Memory

# gemini設定
config = {
    "llm": {"provider": "gemini", "config": {"model": "gemini-3.5-flash"}},
    "embedder": {"provider": "gemini", "config": {"model": "models/gemini-embedding-2", "embedding_dims": 3072}},
    # gemini-embedding-2 は既定で3072次元であるため、embedder/store とも 3072 を明示して揃える
    "vector_store": {"config": {"embedding_model_dims": 3072}},
}

client = genai.Client()
memory = Memory.from_config(config)

# 今回は簡略化のため、ユーザは test_user で固定にしています
def chat_with_memories(message: str, user_id: str = "test_user") -> str:
    # 1. このユーザーの記憶から、発言に関連するものを検索
    relevant = memory.search(query=message, filters={"user_id": user_id}, top_k=3)
    memories_str = "\n".join(f"- {m['memory']}" for m in relevant["results"])

    # いま参照している記憶を表示（裏で何を覚えているかが見える）
    print(f"[参照中の記憶]\n{memories_str or '  (まだ覚えていることはありません)'}")

    # 2. 記憶をシステムプロンプトに差し込んで Gemini で応答を生成
    system_prompt = (
        "あなたは親切なAIアシスタントです。"
        "ユーザーについて分かっていることを踏まえて答えてください。\n"
        f"ユーザーの記憶:\n{memories_str}"
    )
    response = client.models.generate_content(
        model="gemini-3.5-flash",
        contents=[system_prompt, message],
    )
    answer = response.text

    # 3. 今回のやりとりを記憶に追加（mem0 が事実を抽出して保存）
    memory.add(
        [
            {"role": "user", "content": message},
            {"role": "assistant", "content": answer},
        ],
        user_id=user_id,
    )
    return answer

def main():
    print("AI とチャット（'exit' で終了）")
    while True:
        user_input = input("You: ").strip()
        if user_input.lower() in ("exit", "quit"):
            print("終了します")
            break
        print(f"AI: {chat_with_memories(user_input)}\n")

if __name__ == "__main__":
    main()

動作確認

起動して、まず名前を教えます。初回なので参照できる記憶はまだありません。

You: 私の名前は松村です。
[参照中の記憶]
  (まだ覚えていることはありません)
AI: 松村さん、こんにちは！何かお手伝いできることはありますか？

続けて所属を伝えます。すると [参照中の記憶] に、直前のやりとりから抽出された「名前は松村」が表示されます。

You: 私はクラスメソッドの社員です。
[参照中の記憶]
- User's name is Matsumura (松村).
AI: クラスメソッドにお勤めの松村さんですね。いつもお疲れ様です！

最後に、自分が何者かを尋ねてみます。

You: わたしはだれですか。
[参照中の記憶]
- User's name is Matsumura (松村).
- User (Matsumura) is an employee of Classmethod (クラスメソッド) as of May 26, 2026.
AI: あなたは松村（まつむら）様です。クラスメソッド株式会社にお勤めの社員様ですね。

名前と所属の2つの記憶を参照して、正しく答えています。注目したいのは、会話文がそのまま保存されるのではなく、抽出フェーズを経ているため、User's name is Matsumura や is an employee of Classmethod ... as of May 26, 2026 のように意味のある事実だけが英語で要約・構造化されている点です。[参照中の記憶] に出ているのが、その実体です。

これらの記憶はローカルのベクトルDBに永続化されます。
なお今回は長期保持向けの user memory（user_id）だけを使いましたが、「タスクが終わったら忘れていい」短期的な情報は run_id を付ければセッション単位で分離できます。

記憶はどこに・どんな形式で保存される？

長期記憶の保存先としてデフォルトでは、保存先が2つに分かれます。

ベクトルストア側（Qdrant）

コレクション名は既定で mem0。記憶1件が1つの point としてベクトルと、記憶テキスト（payload の data）・user_id・作成日時などのメタデータで格納されます。search() はここを検索しています。

変更履歴側（history.db）

記憶が追加・更新・削除されるたびに、history テーブルへ1行ずつ記録されます。

実際に中身を覗いてみます。

$ sqlite3 ~/.mem0/history.db "SELECT event, new_memory FROM history;"
ADD|User's name is Matsumura (松村).
ADD|User (Matsumura) is an employee of Classmethod (クラスメソッド) as of May 26, 2026.

add() は内部で ADD / UPDATE / DELETE を判断するため、あとから矛盾する発言をすると、同じ記憶が UPDATE や DELETE として履歴に積まれていきます。DELETE は物理削除ではなく is_deleted=1 を立てる論理削除なので、履歴は消えずに追える形で残ります。

まとめ

• mem0 を使うと、数十行のコードでLLMアプリに永続的な長期記憶を組み込める
• 記憶は add() するだけで、LLMが会話から事実を抽出・整理して保存してくれる（更新や削除も自動で判断）
• 記憶の実体はローカルのベクトルDB（Qdrant）＋履歴DB（SQLite）に永続化される
• user_id / run_id で長期記憶とセッション記憶を使い分けられる

今回触れなかった機能として、関係性まで保持する Graph Memory、マネージド版の Mem0 Platform、LangGraph / LlamaIndex 連携 などもあります。本格的なエージェント開発で記憶の扱いに悩んでいる方は、選択肢の一つに入れてみてはいかがでしょうか。

参考

• mem0 公式ドキュメント
• mem0 GitHub
• Google AI Studio