AIエージェントが眠る理由：自ら更新される記憶をつくる

三月に、ステージングサーバーのアドレスをエージェントに教えます。六月にサーバーが移転し、新しいアドレスを教えます。情報を蓄えるだけの記憶には、両方が残ります。最初のアドレスは厳密には間違いではありません。当時は正しかったのです。しかしエージェントはときどき、何年も前に閉店したレストランへの道を自信満々に教える人のように、古い方を選びます。

これが、AIエージェント向けの記憶の多くが抱える問題です。覚えさせるのは簡単です。厄介なのは、覚えたことが古くなってからです。

結局、私たちはSno Stationに独自の記憶を組み込みました。正直、特にそうしたかったわけではありません。優れた記憶ツールはすでにあり、GitHubで何万ものスターを集めているものもあります。世の中に十番目の記憶ベンダーは必要ありません。私たちもそうなるつもりはありません。ただ、必要なものが三つあり、それらをまとめて満たすものが見つからなかったのです。

すべてのエージェントで一つの記憶を使う

最初の要件は簡単に言えます。私たちは複数のエージェントを使っています。Claude Code、Codex、ときにはOpenClawやHermesです。それぞれに独自の記憶の考え方があり、その記憶は自分の中で完結しています。

だからClaude Codeに「チームは木曜日にデプロイする」と伝えても、金曜日のCodexはそれを知りません。エージェント間で情報を運ぶのはあなたです。あなたがケーブルになっています。

Sno Stationには、人ごとに一つの暗号化された記憶の保存先が、自分のマシン上にあります。すべてのエージェントが小さなプラグインを通じて読み書きします。プラグインは作業中に残す価値のある情報を静かに記録し、作業セッションの開始時に関連する情報を呼び出します。内部で書き込みを行うものは一つだけなので、二つのエージェントが互いの記録を上書きすることはありません。

これが引き継ぎを可能にする理由でもあります。あるエージェントが仕事の途中で利用上限に達し、別のエージェントが引き継ぐとします。後任は何も知らない状態から始めるわけではありません。前任が知っていたことを知っています。共有の記憶がなければ、引き継ぎとは、別のエージェントからもう一度すべてを説明してほしいと頼まれるだけです。

そして記憶は、エージェントの実行環境ではなく、あなたのものになります。来年別のエージェントに替えても、あなたや仕事について学んだことはそのまま残ります。

積み重ねずに置き換える

二つ目の要件は、先ほどのステージングサーバーに関わります。

多くの記憶システムは情報を追加するだけです。新しい事実はすべて山に積まれ、何も取り除かれません。デモはうまくいきます。数か月後、あなたは転職し、APIは変わったのに、エージェントはまだ前の上司を覚えています。追加するだけの記憶はすべての版を保持し、最悪のタイミングでモデルに整理を任せます。

私たちの仕組みは違い、ルールも厳格です。新しい事実が古い事実と矛盾すると、モデルが両者を見て「置き換える」「維持する」「判断できない」の三つから答えを出します。答えられるのはそれだけです。モデルが判断し、残りは通常のコードが処理します。古い記憶には退役の印が付き、新しい記憶がその場所を占めます。エージェントに示されるのは現在有効な記憶だけです。

モデルには削除ボタンがありません。ここは強調しておきたいところです。モデルが勝手に何かを消すことはできず、退役した記憶も、以前は何が正しかったかを確認したくなれば残っています。帳簿の記載に取り消し線を引くことと、そのページを破り捨てることの違いに少し似ています。

判断の精度

危険があるのは、この判断です。残すべき事実をモデルが置き換えれば、正しい情報が失われます。情報が散らかるよりも悪いことです。

そこで、この判断専用に小さなモデルを独自に訓練し、大手研究所の最先端モデルと比較しました。両者に同じ試験を課しました。古い事実と新しい事実の組を223組用意し、それぞれに既知の正解があります。

私たちのモデルが正しい処理を選んだ割合は97.5パーセント、最先端モデルは96.8パーセントでした。

私がもっと気にしているのは、誤った置き換え、つまり正しい事実を捨ててしまうケースです。私たちのモデルでは3.2パーセント、最先端モデルでは4.1パーセントでした。

この結果を大げさに語るつもりはありません。六月に実施した223問の小さな試験で、どちらのモデルもほぼ上限に達しています。その後、もっと難しい試験を作りました。他の記憶ツールとの比較でもありません。それはまだ実施しておらず、他人の数字を自分たちで検証したかのように引用するつもりもありません。

ただ、この結果からは、一枚のグラフィックスカードで動く小さなモデルでも、この判断に限れば最大級のモデルとほぼ同じくらいうまくできると分かります。この判断は常に行われ、他人に送りたくない情報も扱うため、これは大切です。

なぜ眠るのか

三つ目の要件は、処理を行うタイミングです。

エージェントが作業している最中に、これをすべて行うことはできません。新しい事実が一つ増えるたびに、エージェントがすでに覚えていることをすべて見直す必要があります。時間がかかりますし、エージェントには終わらせるべき仕事があります。そのため、負荷の高い部分はエージェントが休んでいる間に行います。

社内ではこの処理を、人がその日の出来事を整理するように見える睡眠段階にちなんでREMと呼んでいます。最初はその名前に抵抗がありました。少し気取って聞こえたからです。でも正確な名前です。この処理はその日の作業セッションを見直します。古い事実は退役し、矛盾は解決されます。その後に覚えておくことは少なくなり、残った内容は現在のあなたの働き方に近づきます。記憶は夜の間に小さくなるはずです。山が大きくなるのとは逆です。

この情報をどれだけ自分のマシンの外に出すかは、あなたが選べます。最もプライバシーを重視する設定では、一切外に出ません。あなた自身のエージェントのモデルが整理を行い、すべてローカルに残ります。標準設定では、あなたのエージェントが使う既存のサブスクリプションで判断します。同意した場合は、上記の「置き換えるか維持するか」のような難しい判断を私たちのモデルが担います。

現状も伝えておきます。共有の保存先と置き換えのルールは、私たちが日々使っています。睡眠中の処理は最も新しい部分で、私たち自身のマシンでもまだ毎晩は動いていません。設定ミスによって処理が実行されない状態が続いており、現在修正中です。後であなたが気づくより、先に私たちから伝えたいと思います。

なぜすべての土台なのか

始めた頃、私が理解していなかったことがあります。記憶は一つの機能だと思っていました。実際には土台に近いものです。

エージェントが自分の作業セッションを読み、教訓を書き留める毎晩のレビューには、その教訓の置き場所が必要です。エージェント間の引き継ぎにも必要です。エージェントが何を行い、最初の試みでどのくらい正しくできたかを記録するためにも必要です。将来クラウドで何かを作るとしても、その内容はここに保存された情報から抽出されます。

増え続けるだけの山の上に、こうしたものを作る価値はありません。月曜日には間違っていても、人が修正しなくても火曜日には正される記憶が必要なのです。

記憶が間違っていれば、次のエージェントがその間違いを受け継ぎ、あなたはまた説明することになります。

サーバーがまた移転するまで。

Sno Stationはオープンソースです。sno.aiで公開しています。