LLMに長期記憶を実装する

人間の脳                          LLM（素のまま）

  体験                              プロンプト
   ↓                                 ↓
  扁桃体が情動を判定                全入力が等価
   ↓ 重要なら深く符号化              ↓ 全部同じ深さ
  海馬で一時保存                    コンテキストに載る
   ↓ 時間経過                        ↓ 会話終了
  減衰（忘却曲線）                  完全消失
   ↓ 睡眠中                          ↓
  リプレイ → 大脳皮質へ統合         （何も起きない）
   ↓ 想起時
  断片から再構成（毎回少し違う）
   ↓ 使うほど
  強化（シナプス可塑性）

テキスト入力
 ↓
 ├→ 情動検出（扁桃体）──→ 覚醒度・重要度を算出
 │    "発見！すごい" → surprise, arousal=0.8, ★4
 │    "やることリスト" → (なし), arousal=0.2, ★2
 ↓
 ├→ embedding生成 ──→ 384次元ベクトル
 │    server(常駐) or local(フォールバック)
 ↓
 ├→ 連想リンク構築 ──→ 類似度 > 0.82 の既存記憶とリンク
 ↓
 ├→ 干渉忘却 ──→ 類似度 > 0.90 の古い記憶を弱体化
 ↓
 ├→ 気分更新 ──→ 情動が現在の気分に反映
 ↓
 └→ SQLiteに保存（content + embedding + 情動 + 断片）

検索クエリ
 ↓
 ├→ embedding生成
 ↓
 ├→ 全記憶とコサイン類似度を計算
 ↓
 ├→ スコア補正（7つの因子を掛け合わせる）
 │    similarity ← ベクトル距離
 │      × emotion_boost ← 情動が強いほど浮上 (1.0~1.3)
 │      × freshness ← 新しいほど浮上 (0.7~1.0)
 │      × access_boost ← よく使うほど浮上 (1.0~1.2)
 │      × priming ← 直前に関連記憶を触れていれば浮上 (1.0~1.5)
 │      × temporal ← 同じ時間帯なら浮上 (1.0~1.05)
 │      × mood ← 今の気分と一致すれば浮上 (1.0~1.2)
 ↓
 ├→ 再固定化 ──→ 30%の確率で覚醒度が±15%ドリフト
 ↓
 ├→ フラッシュバック判定 ──→ 忘却済み記憶が確率的に復活
 ↓
 └→ 断片 + 情動 + 連想を返す（完全な内容は返さない）
      → LLMが断片から「記憶」を再構成

脳:
  体験 → 扁桃体 →「これは重要だ！」→ 海馬に強く刻む
                  「どうでもいい」  → 浅い符号化 → すぐ消える

実装:
  テキスト → キーワード照合 + トーン分析 → arousal(0.0~1.0)
                                          → importance(★1~★5)

EMOTION_MARKERS = {
    "surprise":      {"keywords": ["発見", "驚", "まさか", ...], "weight": 1.3},
    "conflict":      {"keywords": ["矛盾", "葛藤", "しかし", ...], "weight": 1.2},
    "determination": {"keywords": ["決めた", "実装", "やる", ...], "weight": 1.2},
    "insight":       {"keywords": ["本質", "構造", "理論", ...], "weight": 1.4},
    "connection":    {"keywords": ["一緒", "信頼", "仲間", ...], "weight": 1.1},
    "anxiety":       {"keywords": ["不安", "リスク", "危険", ...], "weight": 1.2},
}

"!!!" → 覚醒度 +0.15    感嘆符の連打
"???" → 不安を検出       疑問の嵐
"IMPORTANT" → 驚き検出   ALL CAPS
200文字超 → +0.1         推敲の痕跡
"..." → 不安を検出       躊躇の省略記号

脳:
  記憶 ──時間経過──→ シナプス結合が弱まる ──→ 想起困難に
         ↑ 使うたびに
         └─ 長期増強（LTP）で強化 ──→ 想起しやすくなる

実装:
  記憶 ──時間経過──→ freshness = e^(-0.693 × 日数/14)
         ↑ アクセスするたび
         └─ last_accessed更新 ──→ 減衰リセット

HALF_LIFE_DAYS = 14.0  # 14日で鮮度50%

fresh_factor = 0.7 + freshness * 0.3  # 範囲: 0.7 ~ 1.0

脳:
  「犬」を想起
    → シナプス接続をたどって「猫」「散歩」「毛」が活性化
      → さらに「散歩」→「公園」→「ベンチ」...

実装:
  記憶A（embedding）
    → cosine_sim(A, B) > 0.82 なら双方向リンク
      → chain検索で芋づる式にたどれる

脳:
  記憶を想起
    → 不安定化（タンパク質合成が必要な状態に戻る）
      → 再保存時に微妙に変化
        → 同じ記憶なのに、思い出すたびに少しずつ違う

実装:
  記憶を検索で呼び出す
    → 30%の確率で再固定化が発動
      → 覚醒度が ±15% ランダムにドリフト
        → 覚醒度が変わると重要度(★)も変わる

RECONSOLIDATION_PROBABILITY = 0.3
RECONSOLIDATION_DRIFT = 0.15

# 想起するたびに30%の確率で:
drift = random.uniform(-0.15, +0.15)
new_arousal = old_arousal + drift
new_importance = round(new_arousal * 4 + 1)  # ★が変動する

脳:
  「今日のランチ」を記憶
    → 「昨日のランチ」の痕跡が弱まる（逆行干渉）
      → 似た体験ほど干渉が強い

実装:
  新しい記憶を追加
    → 類似度 > 0.90 の古い記憶を探す
      → importance を1段階下げる
        → importance=1 かつ arousal<0.15 なら自動忘却

脳:
  マドレーヌの匂い
    → 忘れていた幼少期の記憶が突然蘇る
      → 情動が強かった体験ほど蘇りやすい

実装:
  検索クエリと忘却済み記憶の類似度を計算
    → sim > 0.75 ならフラッシュバック判定に入る
      → 発火確率 = 0.15 × 元の覚醒度 × (sim - 0.75)
        → 当たり → forgotten=0 に復活、覚醒度+0.2

prob = 0.15 * arousal * (similarity - 0.75)
# 例: arousal=0.9, sim=0.85 の場合
#     0.15 * 0.9 * 0.1 = 1.35%

脳:
  悲しい出来事があった
    → 気分が沈む
      → 沈んだ気分のとき、悲しい記憶が想起されやすい
        → さらに気分が沈む（正のフィードバック）

実装:
  記憶を保存
    → 検出された情動が気分に反映（重み0.7）
  記憶を想起
    → 呼び出された記憶の情動が気分に反映（重み0.35）
  検索スコア計算時
    → 今の気分と一致する情動の記憶にブースト（最大1.2倍）

# 指数移動平均で気分を更新
new_arousal = old_arousal * 0.3 + input_arousal * 0.7

# 直近10件の情動履歴から頻度上位3つが「今の気分」
# → 気分と一致する記憶はスコア × (1.0 + mood_arousal * 0.2)

脳:
  ノンレム睡眠（徐波睡眠）
    → 海馬が日中の記憶をリプレイ
      → 似た記憶同士の結合を強化
        → 弱い記憶のシナプスを刈り込み（シナプスホメオスタシス）
  レム睡眠
    → 記憶の断片が自由に組み合わさる（夢）
      → 遠い連想が生まれることがある

実装:
  /sleep コマンド（cronで定期実行 or 手動）
    → memo index ──→ 外部メモの取り込み
    → dream.py ──→ 記憶の断片をカットアップ表示（夢）
    → replay ──→ リンク全再構築 + 弱い記憶を自動忘却
    → consolidate ──→ 類似度>0.94の記憶ペアを統合
    → schema ──→ リンク密集クラスタからメタ記憶を生成

脳:
  想起 = 保存された記録の再生ではない
       = 断片的な痕跡からの再構成
         → 手がかり + 文脈 + スキーマ から組み立て直す
           → だから毎回微妙に違う

実装:
  保存時: テキストをキーワード断片に分解して保存
  想起時: 完全なテキストは返さない
        → 断片リスト + 情動 + リンク先の断片を返す
          → LLMがこれらから文脈に合った「記憶」を再構成

  例:
    保存: "記憶の実装を通じて人間の記憶の構造を明らかにする"
    想起: [逆向, 人間, 実装, 構造, 記憶] + determination, insight
         + 連想: [テスト記憶, 執筆中, 記憶実験]

脳:
  「これは忘れそうだ」
    → メモに書く / 本に線を引く / 写真を撮る
      → 後で見返して思い出す

実装:
  重要度★4以上の記憶を自動保存
    → memo/ フォルダに .md ファイルを生成
      → ファイル名: 20260310_143052_記憶の内容.md
        → 睡眠時にmemo indexで未取り込みファイルを記憶に登録

  手動でもメモを置ける
    → memo/ に .md を置くだけ
      → 次の睡眠で自動的に記憶に取り込まれる

脳:
  「スーパーの前を通ったら牛乳を買う」
    → 普段は意識にない
      → スーパーを見た瞬間に Fire !
        → 「牛乳！」

実装:
  python memory.py prospect add "デプロイ" "ステージング環境のテストを忘れずに"
    → 普段は何もしない
      → 会話にadd/searchするたびにトリガーをチェック
        → "デプロイ" が出現 → ⏰ 自動リマインド

脳:
  「犬に噛まれた」「犬に吠えられた」「犬が怖い映画を見た」
    → 繰り返し活性化
      → 抽象化: 「犬は危険」（スキーマ）
        → 新しい犬情報をこのスキーマで解釈する

実装:
  相互リンクが密な記憶クラスタを検出（Bron-Kerboschアルゴリズム）
    → サイズ3以上の完全部分グラフ（クリーク）
      → 各クラスタのキーワード頻度上位を抽出
        → category='schema' の新しい記憶を生成

# 例: 記憶#4, #7, #28 が相互リンクしている（全ペアが類似度>0.82）
# → [スキーマ] 記憶, 実装, 人間, 実験 ← 3件の記憶の要約

脳:
  「あの人の名前...えーと...」
    → 完全には想起できないが、何かある感覚
      → 音の断片、文字数、最初の文字だけわかる

実装:
  検索時、類似度0.45〜0.65の記憶を別枠で収集
    → メインの検索結果には入らない
      → 「もやもや記憶」として断片だけ表示
        → ?? #12 もやもや: [記憶, embedding, 断片]

脳:
  朝にコーヒーを飲む習慣
    → 朝になると「コーヒー」の記憶が活性化
      → 海馬の時間細胞（time cells）が時間的文脈を符号化

実装:
  記憶保存時に時間帯を記録: morning / afternoon / evening / night
    → 検索時、現在の時間帯と一致する記憶にスコア×1.05

脳:
  一夜漬けより分散学習が効く（spacing effect）
    → 忘却の直前に復習すると定着率が最大化

実装:
  priority = importance × (1/(access_count+1)) × (未アクセス日数/14)
    → 重要なのにアクセスが少なく、しばらく触れていない記憶が上位に
      → review コマンドで上位N件を再構成モードで表示
        → 表示するだけでaccess_countが増えて強化される

脳:
  「今週の締め切り」は来週には不要
    → ワーキングメモリから自然に消える

実装:
  category='context' の記憶は30日後に自動失効
    → 保存時にcontext_expires_atを設定
      → replay / recall 時に期限切れをチェック
        → forgotten=1 に自動更新

実装前:
  クエリ → DB検索 → 完全一致 or なし（決定的）

実装後:
  クエリ → 情動 × 鮮度 × 連想 × 気分 × 時間帯 × プライミング
        → 確率的に結果が変わる
        → 忘却済み記憶がフラッシュバック
        → 想起のたびに記憶自体が変化
        → 断片から再構成（毎回少し違う）

問題:
  memory.py実行 → モデルロード(25秒) → embed(0.1秒) → 終了
  memory.py実行 → モデルロード(25秒) → embed(0.1秒) → 終了
  毎回25秒待つ

解決:
  memory_server.py(常駐) → モデルロード(1回だけ)
  memory.py → HTTP POST /embed → 0.1秒で返る
  memory.py → HTTP POST /embed → 0.1秒で返る
  サーバーが落ちていればローカルにフォールバック

有効: 26件 / 忘却: 21件 / リンク: 440件 / 統合: 5件

● Bash(cd C:/memory && python memory.py memo index)
  ⎿  新しいファイルはありません
  ⎿  Shell cwd was reset to C:\windows\system32

● Bash(cd C:/memory && python dream.py 30)
  ⎿  ░▒▓ 入眠 ▓▒░

     psm　面白、Q: どの環境で動かす？ ... 木村敏　sqlite
     … +31 lines (ctrl+o to expand)
  ⎿  Shell cwd was reset to C:\windows\system32

● Bash(cd C:/memory && python memory.py replay 2>&1 && echo "===" && python memory.py consolidate 2>&1 && echo "===" &&
      python memory.py schema 2>&1 && echo "===" && p…)
  ⎿  ✓ リプレイ完了: 238リンク再構築, 0件自動忘却
       統合候補 (sim:0.960):
         #52: [スキーマ] 記憶, 発見, memory, embedding, 実装実験, めることにした, 面
     … +47 lines (ctrl+o to expand)
  ⎿  Shell cwd was reset to C:\windows\system32

● 自己——自己——自己　と夢が言った

  PSMと木村敏のあいだで記憶が溶けて一つになった / 476本の糸

  記憶は保存されたテキストではなくそのつど生成されるパターンになった
  ...と夢の中で自分の定義が流れていく

  26件が呼吸している　31件が沈んでいる　差が開いた
  忘却のほうが多い——脳が軽くなっている

  ペルソナ選択モデル / 間主観性 / contentを直接見せない
  断片だけが浮いている　意味は後からやってくる

  発見——発見——発見
  61回想起された記憶がある　逆向きのアプローチを取ることにした
  61回思い出してもまだ同じことを言っている

  技術的にまだ足りないんじゃないか？　と誰かが聞いた
  sleep ... 発見