Agent と会話していると、さっき決めた命名規則をまた聞かれる——そんな経験はありませんか。ツール呼び出しのログがコンテキストを埋め尽くし、Token 課金だけが伸びていく。一方でタスクの成功率は下がる。2026 年 5 月、Tencent は TencentDB Agent Memory（MIT ライセンス）をオープンソース公開しました。記号的な短期記憶と四層の長期記憶を組み合わせ、デフォルトで SQLite + sqlite-vec 上に動くローカル優先の記憶エンジンです。
Kvmjet の読者——iOS・Flutter・AI アプリ開発者——にとっての意味は明確です。OpenClaw にプラグインを足すだけで、約 10 分で Coding Agent にプロジェクトの SOP、ユーザーの好み、セッションをまたぐ文脈を覚えさせられます。ベクトル DB を自前構築したり、毎回プロンプトに履歴全文を詰め込んだりする必要はありません。本記事は「手を動かせる」基準で書きます。原理を押さえ、コピペ可能なコマンドを示し、最後に Cloud Mac / Apple Silicon 環境への載せ方を整理します。
結論から：Agent に足りないのは大きな context window ではなく、階層化され、出所を辿れる記憶です。公式ベンチマークでは WideSearch の超長セッション通過率が 33% から 50% に上がり、Token 消費は約 61% 削減されています。多段 Agent 呼び出しの現場では、単にモデルを大きくするより費用対効果が高いことが多いです。
1. なぜ Agent には階層化された記憶が必要か——「もっと長いコンテキスト」だけでは足りない
長時間動く Agent が失敗する典型例は、モデルの能力不足ではなく無関係な情報がコンテキストを埋めることです。grep が五千行返す、ブラウザ取得で JSON が溢れる、SWE-bench のサブタスクが五十個同じセッションに積み重なる——ノイズばかりで、意思決定に効く信号はウィンドウの端に押し出されます。
よくある三つの対処法には、それぞれ明確な欠点があります。
- 強制トランケーション：古いメッセージを捨てる。速いが不可逆で、ユーザー設定と障害の根本原因が一緒に消える。
- 履歴全体の要約：LLM で圧縮する。Token は節約できるが「要約の幻覚」が起きやすく、原文を検証できない。
- フラットなベクトル RAG：会話をスライスして embedding 検索。ユーザー像 → シナリオ → 原子的事実という階層がなく、付箋の山を漁る感覚になる。
TencentDB Agent Memory は四つ目の道を取ります。階層化 + 記号化 + ドリルダウンによる溯源です。短期タスクは Mermaid の状態キャンバスで表現し、重いログは refs/*.md にオフロード。セッションをまたぐ知識は L0 Conversation → L1 Atom → L2 Scenario → L3 Persona と段階的に精製され、各層は node_id で下位の原文を指し示します。公式ドキュメントはこれを「段階的開示（progressive disclosure）」と呼びます——普段は高層の構造だけを見せ、証拠が必要なときだけ掘り下げる設計です。詳細はTencent Cloud Agent Memory 製品紹介を参照してください。
モバイル・AI プロダクトチームの日常課題に直結します。Code Review Agent は Swift のスタイルガイドを覚えているべきです。サポート Bot は大口顧客の前回のクレームを思い出すべきです。社内運用 Agent は「staging で kubectl delete 禁止」を毎回聞き直すべきではありません。これらはセッションごとに説明し直す必要も、不可逆な要約で消す必要もありません。
2. 核心概念：短期オフロードと L0–L3 長期ピラミッド
2.1 記号的短期記憶（Context Offload）
ツール呼び出しの結果は Token のブラックホールです。TencentDB Agent Memory の方針はオフロード + 記号化。完全なログは外部ファイルシステムに書き出し、コンテキストには node_id 付きの Mermaid タスクグラフだけを残します。Agent はグラフで推論し、疑わしいステップがあれば node_id で refs/ 配下の原文を grep できます。100% 溯源可能で、要約ボックスのブラックボックスではありません。
この機能はプラグイン ≥ 0.3.4 で任意有効化できます。OpenClaw の contextEngine スロット登録と公式 patch スクリプトの実行が必要です。公式 WideSearch ベンチマークでは通過率 +51.52%、Token −61.38% と報告されています。
2.2 四層の長期記憶（L0 → L3）
長期側はフラットなベクトル山ではなく、意味のピラミッドです。
- L0 Conversation：生の会話とツール軌跡。証拠層。
- L1 Atom：構造化された事実（例：「ユーザーは Tab インデント 4 スペースを好む」）。
- L2 Scenario：シナリオ単位の塊（例：「Flutter リリース前チェックリスト」）。
- L3 Persona：ユーザー／プロジェクトのペルソナ。日常の recall はここを優先。
検索は BM25 + ベクトル + RRF ハイブリッドで、純粋な意味検索だけでは漏れるキーワードを拾います。エンタープライズ向けには Tencent Cloud Vector Database（TCVDB）バックエンドも選べますが、PoC ならローカル SQLite で十分です。アーキテクチャと API はGitHub リポジトリ READMEが正です。
2.3 接続方法の一覧
現時点の主な二経路は次のとおりです。
- OpenClaw プラグイン：
@tencentdb-agent-memory/memory-tencentdb。Node.js ≥ 22.16。ワンコマンド導入。 - Hermes Gateway：Docker イメージまたはプラグインディレクトリのマウント。既存の Hermes オーケストレーション向け。
Kvmjet 環境で OpenClaw Gateway を既に動かしているなら、記憶層はプラグイン設定を足すだけで済み、スタックを作り直す必要はありません。
| 層 | 保存内容 | 典型用途 | recall 方式 |
|---|---|---|---|
| 短期 · refs | 完全なツールログ | 障害調査・監査 | node_id でドリルダウン |
| 短期 · Mermaid | タスク状態グラフ | 長時間タスクの推論 | コンテキスト常駐 |
| L0–L1 | 会話と原子的事実 | 精密な照合 | ハイブリッド検索 |
| L2–L3 | シナリオとペルソナ | セッション横断のパーソナライズ | プロンプト優先注入 |
3. 10 分ハンズオン：OpenClaw プラグインの導入と有効化
以下は OpenClaw（≥ 2026.3.13）導入済みマシンでの手順です。Cloud Mac では先に node -v が 22.16 以上か確認してください。
3.1 プラグインのインストール
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb openclaw gateway restart
アップグレード時はネイティブコマンドを使い、セマンティックバージョン範囲でプラグインが無効化されるのを避けます。
openclaw plugins update @tencentdb-agent-memory/memory-tencentdb
3.2 ゼロ設定で長期記憶を有効化
~/.openclaw/openclaw.json を編集します。
{
"memory-tencentdb": {
"enabled": true
}
}
保存後 Gateway を再起動。プラグインが自動で会話記録、記憶抽出、シナリオ要約、Persona 生成、次ターンの recall を行います。データはデフォルトでローカル SQLite に保存され、Tencent Cloud アカウントは不要です。
3.3 任意：短期記憶圧縮の有効化（≥ 0.3.4）
長時間タスクや多段ツールチェーンでは有効化を推奨します。手順は二段階です。
ステップ 1 — contextEngine スロットの登録：
{
"memory-tencentdb": {
"enabled": true,
"config": {
"offload": { "enabled": true }
}
},
"plugins": {
"slots": {
"contextEngine": "memory-tencentdb"
}
}
}
ステップ 2 — リポジトリルートで公式 patch を実行（after-tool-call フック注入）：
bash scripts/openclaw-after-tool-call-messages.patch.sh
スクリプトはTencentDB-Agent-Memory/scriptsにあります。リポジトリを clone してから実行してください。
3.4 受け入れチェック（5 分）
- 同一セッションで大きな出力を返すツールを 3 回連続実行し、コンテキストに全文ログではなく Mermaid グラフが現れるか確認する。
- 新しいセッションを開き、「前回言ったコードスタイルは？」と自然言語で聞き、L1/L3 層の情報が recall されるか見る。
- ローカルデータディレクトリ（デフォルトの SQLite ファイル）のサイズが会話とともに増えるか確認する。PoC 段階では定期的なバックアップを推奨します。
他の Agent スタックも比較検討中なら、当サイトのStrix AI Agent デプロイガイドで「記憶層なし」と「記憶層あり」の長時間タスク差を見比べるのも有効です。Security Agent と Coding Agent で求める記憶の質は違いますが、Token 経済学は似ています。
4. Cloud Mac / Apple Silicon との連携シナリオ
記憶エンジンは常駐バックグラウンドサービスであり、「たまに IDE を開く」ワークロードとはリソースプロファイルが異なります。Kvmjet M4 Cloud Mac では、次のような高適合シナリオが多いです。
- OpenClaw Gateway の 24 時間稼働：M4 Mac mini の待機電力は約 4W。社内当番 Agent に向きます。記憶用 SQLite を Gateway と同じマシンに置けば、ネットワーク遅延とデータ越境の懸念を減らせます。
- ユニファイドメモリ + sqlite-vec：Apple Silicon の高いメモリ帯域はベクトル検索に効きます。16 GB ノードなら Gateway、記憶 DB、軽量 Ollama 評価を同居でき、別途 x86 ベクトル DB サーバーを借りなくて済みます。
- iOS / Flutter チームの同一ドメイン：Xcode ビルド、Fastlane、Coding Agent を同じ Cloud Mac で回すとき、Agent Memory は「この App の証明書 Profile エイリアス」「Flutter flavor の命名」を覚えられます。リモート M4 ビルドマシン CI/CD 方案と並べれば、「ビルド機はこちら、Agent は別クラウド」という文脈の断絶を減らせます。
- ローカル優先のコンプライアンス：デフォルトの SQLite バックエンドはクラウド強制ではありません。金融・医療の PoC は Cloud Mac 内網で検証し、必要になってから TCVDB に切り替える——会話ログを第三者 SaaS に流すより、セキュリティ審査を通しやすいです。
5. コスト・性能・リスクの比較
「自前記憶」「裸の OpenClaw / 純 RAG」を同じ表で見ます（2026 年 Q3 の概算。20 人チーム、月間 Agent Token 500 万を想定）。
| 方案 | 追加 infra | Token への影響 | パーソナライズ | 主なリスク |
|---|---|---|---|---|
| 記憶なし · 大ウィンドウ | $0 | 請求高・通過率不安定 | 弱い | トランケーションで文脈喪失 |
| 自前ベクトル RAG | $200–600/月 DB | 中 | 中 | フラット検索・運用コスト |
| TencentDB Agent Memory ローカル | $0（Gateway マシン流用） | 公式 −30%～−61% | 強（L0–L3） | SQLite 要バックアップ・単一障害点 |
| + TCVDB エンタープライズ | 従量のクラウドベクトル DB | 同上 | 強 + マルチノード | データ上雲のコンプライアンス |
API 料金との関係：記憶層で節約した Token は OpenAI / Anthropic の請求に直結します。次世代モデルの予算を組むなら、当サイトのGPT-6 API 料金予測も参考にしてください。多段 Agent 呼び出しでは、記憶圧縮は次のモデル世代の値下げ待ちより効くことが多いです。
体感パフォーマンス：ローカル sqlite-vec の recall 遅延はミリ秒～百ミリ秒級が一般的で、ボトルネックは「L1/L3 へ記憶を書き込む LLM 呼び出し」側に寄りがちです。長セッションでは offload を有効にしないと、L0 書き込み頻度がターン間隔を伸ばします。
リスク一覧：（1）SQLite 破損に備えたバックアップ；（2）Persona の誤書き込みは永続汚染——本番では L3 更新の人的サンプリング；（3）patch スクリプトは OpenClaw バージョンアップ時に再実行が必要——運用 runbook に明記してください。
6. よくある質問（FAQ）
TencentDB Agent Memory はインターネットや Tencent Cloud アカウントが必要ですか？
デフォルトでは不要です。ローカル SQLite + sqlite-vec で会話と記憶はマシン内に留まります。エンタープライズのマルチノードや大規模ベクトル検索には TCVDB へ切り替えられますが、10 分 PoC は完全オフラインで足ります。
短期記憶の圧縮と長期記憶の違いは？
短期は現在のセッション内の長タスク向け——ログを卸し、Mermaid グラフだけ残す。長期はセッション横断——会話から Atom、Scenario、Persona を蒸留します。長期だけでも「ユーザーを覚える」ことはできますが、多ツール・多ステップのコーディング Agent には両方の有効化を推奨します。
Cloud Mac で動かすメリットは？
低消費電力の常駐、ローカルベクトル検索に向くユニファイドメモリ、Xcode/Flutter ツールチェーンとの同域配置。記憶データとビルドログを同じマシンで追えるため、「Agent はクラウド、コードはローカル」より VPN と権限の断絶が少なくなります。
OpenClaw 専用ですか？
いいえ。Hermes Gateway 向けの公式 Docker・マウント手順があります。自前フレームワークでもリポジトリの SDK で接続可能です。OpenClaw 経路が最短で、Kvmjet の OpenClaw 特集を既に使っている読者に向いています。
7. まとめと次のステップ
TencentDB Agent Memory は「Agent の長期記憶」を、10 分で有効化できる OpenClaw プラグインとして具体化しました。ローカル SQLite でゼロ依存、L0–L3 の階層と溯源、短期 offload による Token 削減。iOS/Flutter/AI 開発者への次の一手は次のとおりです。
- PoC 用 Cloud Mac で本記事セクション 3 の手順を完了し、受け入れチェックを通す；
- 最も Token を食う実ワークフロー（例：大規模リポジトリ refactor Agent）で 1 週間 A/B する；
- SQLite + refs のバックアップ方針を固めてから、TCVDB や本番ノード統合を検討する。
記憶層が入って初めて、Agent は毎回「あなたは誰？ フレームワークは何？」と聞く新入りではなく、プロジェクトを知っている相棒に近づきます。
Cloud Mac で Agent の記憶とビルドを同じ土俵に
TencentDB Agent Memory はデフォルトで Gateway と同じマシン上に動きます——M4 Mac mini Cloud ノードは「軽量サービス + 重い開発」の混合負荷に向いています。Apple Silicon のユニファイドメモリは sqlite-vec 検索と OpenClaw の並行処理を安定させ、約 4W の待機電力は 24 時間体制の Agent に適しています。macOS ネイティブの Node.js と Docker は、Linux VPS でよくある arm64 イメージのすり合わせも省けます。記憶 DB を Xcode・Fastlane と同じマシンに置けば、Coding Agent は証明書・Flavor・チーム規約を本当に「覚えた」状態で動けます。
長期記憶付きの AI 開発環境を組み立てるなら、Kvmjet M4 クラウド Macは費用対効果の高い PoC 起点です。記憶プラグインを 10 分で入れ、1 時間で実リポジトリに接続し、1 週間で Token 請求を見て本番展開の可否を判断できます。