私は 200 行以上のルールを CLAUDE.md に書き込んだ。ただエージェントに私のことを覚えさせるために。
文体、レイアウトの禁止事項、画像のスタイル — すべて私が 1 行ずつ書き込んでいる。これらのルールは新しいセッションを始めるたびに存在するが、これはエージェントのメモリではなく、私が書いたマニュアルだ。
マニュアルは静的だ。「ダッシュを使うな」と書けば、エージェントは使わない。しかし、なぜなのか、何回修正したのか、そのルールの背後にある判断 — 「ダッシュを使うと日本語のリズムが壊れると感じる」 — を知らない。
私のエージェントはルールを実行しているが、学習してはいない。
既存のメモリソリューションのほとんどは「古いチャットを検索しているだけ」
この問題は見過ごされてきたわけではない。ChatGPT にはメモリがあり、Claude にはプロジェクト知識があり、市場にはさまざまなサードパーティのメモリプラグインが存在する。
しかし、よく見てみると、それらはだいたい同じことをしている。過去の会話や手動でタグ付けした情報を保存し、ベクターインデックスを構築し、関連するセグメントを取得して次のチャットでコンテキストに詰め込む。
機能はするが、いくつか避けられない問題がある。
第一に、保存されるのは生の会話であり、信号対雑音比が非常に低い。3 か月前の雑談の断片が取得されたとき、モデルは何が有用かを判断しなければならず、しばしば間違える。
第二に、メモリはフラットである。すべての情報が平等に保存され、「これはあれより重要だ」とか「この結論は更新された」といった階層がない。使い続けるほど、ノイズが増える。
第三に、間違いから学習しない。同じ問題について AI を 10 回修正しても、その「メモリ」には 10 件の修正記録があるが、「もうこれをやるな」という戦略を要約していない。
これらのソリューションは「保存」問題を解決するが、「学習」問題は解決しない。
MemOS ローカルプラグインをインストールした後、Hermes が教えてくれたこと
MemOS Local Plugin をインストールした後、私は Hermes に「今、あなたのメモリはどこに保存されているの？」と尋ねた。
それは非常に明確な答えを返した。
2 行：組み込みメモリはローカルの JSON ファイルに保存され、私が積極的に伝えたもの（名前、役割、好み、ライティングルール）が含まれる。MemOS は別の独立した長期メモリシステムで、会話からトレース（イベント軌跡）、ポリシー（行動ルール）、world_models（環境知識）を自動抽出し、成熟したプロセスを呼び出し可能なスキルに結晶化する。
Hermes 自身の要約が私の説明より優れている。「組み込みメモリは私が能動的に保存する明示的な付箋。MemOS はバックグラウンドで自動的に学習・蓄積される暗黙のメモリ。」
これが MemOS と前述のソリューションとの最大の違いだ。単に会話を保存するのではなく、あなたが物事を行うプロセスから自動的に戦略を抽出する。
MemOS はこのシステムを Reflect2Evolve と呼んでいる。会話はまずトレースに落ち着き、価値あるトレースはポリシー（行動戦略）に要約され、成熟したポリシーは再利用可能なスキルに結晶化される。「言ったことを覚える」のではなく、「どうやったかというプロセスから次回のやり方を抽出する」のだ。
テスト 1：ツイートを書くように教える
最初のラウンドで、私は Hermes に X のツイートを書くときの自分の習慣を伝えた。ダッシュを使わない、前置きなしでいきなりビューポイントから始める、人間らしさ、AI っぽくない。それから Context Engineering についてのツイートを書くように頼んだ。
それが終わった後、私は 1 回修正した。「この出だしは平坦すぎる。もっと鋭いフックを使って。私の習慣は最初の文でビューポイントか対立を投げること。前置きはなし。」
すると即座に変更した。最初の文は「Hot take: Prompt Engineering is overrated.」になった。そして「最初の文はビューポイント。前置きなし。」と返答した。
ここまでは、ほとんどの AI アシスタントと大差ない。本当のテストは次のステップだ。
Hermes を終了する。新しいセッションを開始する。今回は一言だけ言った。
「『Claude Code の CLAUDE.md は本質的に Context Engineering をやっている』というテーマで X のツイートを書いて。」
好みを繰り返さなかった。自分が誰かを思い出させなかった。
すると、これが出てきた。
書く前に、4 つのことを行った。
- 自動的に x-content-writing というスキルをロードした。
- memos_search を使って「X writing style context engineering」を検索し、4.7 秒かけた。
- memos_environment を検索し、自分の Obsidian vault へのパスを見つけた。
- 自分の vault に入って、実際に過去に公開した X の記事を読み、リズムを把握した。
それから「よし、書くよ。あなたの最近の X 記事を読んでリズムを掴んだから、直接書き始めるね。」と言った。
これが書いたものだ。
CLAUDE.md は設定ではない。Context Engineering だ。そこに書く 1 行 1 行は、モデルのコンテキストウィンドウを設計しているのだ。プロジェクト構造、コーディングの好み、絶対禁止事項 — すべて手作業で注入するワーキングメモリだ。プロンプトは「今回は何をするか」を扱う。CLAUDE.md は「あなたが誰か」を扱う。バックエンド開発者はすぐに理解できるだろう。マイクロサービスは起動時にレジストリから設定をプルして、どのサービスとやり取りするかを知る。CLAUDE.md はエージェントのレジストリだ。セッションごとに 1 回読んで、あとは仕事に取りかかる。
ダッシュはゼロ、最初の文はいきなりビューポイントを投げる、バックエンドのアナロジーは自然に流れ、「この記事では〜を理解します」的な出だしはない。
単に「ダッシュを使うな」と覚えただけではない。私の実行プロセスと公開済み記事から一連のライティング戦略を抽出し、真新しいセッションで自動的に適用したのだ。
この時、私は本当に、これまで使ってきたメモリソリューションとは違うと感じた。
テスト 2：2 つのプロダクトページを作成し、スタイルがプロジェクト間で移行するか見る
もっと本格的なタスクを試してみよう。
最初のラウンドで、私は Hermes に ReddTrends (www.reddtrends.com) のプロダクト紹介ページを作成するよう依頼した。具体的な要件：クリームホワイトの背景に暖色系、コピーは直接的で「empower」や「one-stop」のような言葉は使わない、クリーンなレイアウト、インディー開発者っぽさ。完成後、CTA ボタンのコピーを修正した。
その後、終了し、新しいセッションを開始し、別のプロダクト MoleUninstaller の紹介ページを作成するよう依頼した。プロダクト名と機能説明のみ与え、スタイルの指示は一切なし。
結果：MoleUninstaller のページはまったく異なる方向性になった。暗い背景、英語のメインタイトル、オレンジのアクセントカラー — ReddTrends の暖かいインディー開発者スタイルとはまったく異なる。
スタイルの好みはプロジェクト間で移行しなかった。
これは、MemOS のメモリが単純な「前回クリームホワイトと言ったから、ずっとそれを使う」ではなく、タスクのコンテキストを区別していることを示している。逆に、「自分のプロダクトページには常に暖色系を使う」と覚えてほしい場合、現在はまだできない。この粒度での好みの学習には、さらに多くのラウンドの蓄積が必要かもしれない。
Viewer を開いて学習した内容を確認する
2 つのテストを実行した後、Viewer のデータ変化は明らかだった。
開始時のゼロから、47 のメモリ、8 のタスク、24 の経験（うち 12 が有効）、2 のスキル、1 の環境認識へ。すべて自動生成された。
経験ページで最も興味深いエントリ：
「WeChat 公式アカウント記事を Xiaohongshu フォーマットに変換」、サポート 25、有効。この経験は 25 回トリガーされており、MemOS がアカウント変換という繰り返しタスクから戦略を要約したことを示している。
「ファイル修正後にブラウザナビゲーションで確認」「ページ修正後にコンソールエラーがないことを確認」 — これらはプロダクトページ構築中に自動抽出されたエンジニアリング習慣だ。
スキルページも変化した。
check_obsidian_vault_path_env が V1 から V2 にアップグレードされ、サポートが 1 から 2 に増加した。MemOS は 2 回目に類似タスクに遭遇したとき、自動的にスキルバージョンをアップグレードした。これが Reflect2Evolve の「Evolve」の意味だ。スキルは静的ではなく、使われるほど成熟する。
3 つのモデルがそれぞれ役割を果たす。ローカルの Xenova は埋め込み用（無料）、DeepSeek V4 Flash は要約用（安価）、DeepSeek V4 Pro はスキル進化用（強い推論が必要なときのみ呼び出される）。高価なモデルは必要な場所にだけ使う。
すべてのデータはローカルの SQLite データベースに保存され、Viewer はローカルのみをリッスンし、クラウド依存はゼロ。RAG を扱ったことのある人は、検索パイプラインを見てほしい。FTS5 全文検索 + ベクターのハイブリッド、RRF 融合ランキング、MMR 重複除去、14 日半減期の時間減衰を経て、LLM でフィルタリングされる。これは「埋め込み + コサイン類似度」よりも桁違いに複雑だが、検索品質はメモリが有用かどうかの分水嶺である。
1 つのコア、複数のエージェントで共有
もう 1 つ言及する価値のある設計：OpenClaw と Hermes は同じ Reflect2Evolve コアを共有し、アダプターだけが異なる。Hermes で蓄積した経験とスキルはアルゴリズムレベルで OpenClaw と互換性があり、ツールを切り替えてもメモリアセットはリセットされない。
使用後の実際の感想
最も驚いたのは、単に好みを覚えていたことではなく、2 回目のセッションでツイートを書く前に、一連のアクションを実行したことだ。スキルのロード、メモリの検索、vault の発見、過去の記事の読込、そして「最近の記事を読んでリズムを掴んだ」と教えてくれた。
その時の私の反応は「え、昔の記事を読めなんて頼んでないけど」だった。
しかし、それは自分でそれが正しい行動だと判断した。この感覚は「前回話したことを検索して」とはまったく異なる。
プロダクトページの方はそれほど驚きはなかった。ReddTrends の暖かいスタイルは MoleUninstaller に移行しなかった。考えてみれば当然で、スタイルの好みは 1 回しか現れず、MemOS の経験は一定数の「サポート」を得て初めて戦略に固まる。1 回では足りない。
したがって、現在の状態はこうだ。高頻度の繰り返しタスクでは非常に顕著な効果が見られるが、偶発的な好みはまだ安定していない。しかし、方向性は正しいと思う。私は半年間 CLAUDE.md を書き続けてきて、書けば書くほど、これは人間の仕事ではないと感じる。
MemOS Local Plugin ウェブサイト：https://memos-claw.openmem.net/
GitHub：https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
エージェントのワンクリックインストール：
1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
私は Yanhua です。AI エージェントと海外市場向けの個人開発にフォーカスしています。AI エージェントに興味がある方は、お気軽にフォローしてください → @yanhua1010
