なぜ R-Mem か？

mem0 は優れた設計のメモリシステムであり、豊富な plugin エコシステムを持っています。R-Mem はより狭い問いを立てています：コアのメモリロジックだけを Rust で書き直し、完全に SQLite をバックエンドにしたらどうなるか？

結果は同じ三層アーキテクチャ — vector memory、graph memory、history — と 階層アーカイブ システムを 2,826 行の Rust で実現。外部サービス不要。バイナリ一つ。トレードオフは明確：統合の数は mem0 よりはるかに少ないが、運用オーバーヘッドはほぼゼロ。

R-Mem は RustClaw から生まれました — 私たちのミニマリスト Rust AI agent フレームワークです。RustClaw にはその哲学に合ったメモリレイヤーが必要でした：シングルバイナリ、外部サービスゼロ。そこで mem0 のアーキテクチャを研究し、Rust で再構築しました。

mem0 の数字は豊かなエコシステムを反映しています — より多くの store、より多くの統合、より多くの柔軟性。R-Mem は最小限のフットプリントのためにそれらを意図的にトレードオフしています。

R-Mem が mem0 に追加する機能

🔍 仕組み

Input text
│
├─ 📦 Vector Memory ──────────────────────────────────
│    │
│    ├─ LLM が事実を抽出
│    │    → ["Name is Alice", "Works at Google"]
│    │
│    ├─ Embedding → cosine similarity 検索
│    │    （FTS5 プリフィルタ + vector ランキング）
│    │
│    ├─ Integer ID mapping
│    │    （LLM の UUID ハルシネーション防止）
│    │
│    ├─ LLM が各事実について判定：
│    │    ├─ ADD       新しい情報
│    │    ├─ UPDATE    より具体的 → 旧バージョンをアーカイブ
│    │    ├─ DELETE    矛盾 → 旧バージョンをアーカイブ
│    │    └─ NONE      重複 — スキップ
│    │
│    └─ アクション実行 + 履歴に書き込み
│
├─ 🕸️ Graph Memory ──────────────────────────────────
│    │
│    ├─ LLM がエンティティ + 関係を抽出
│    ├─ 競合検出（古いデータを soft-delete、新しいデータを追加）
│    └─ 多値 vs 単値の関係処理
│
└─ 🗄️ Archive ───────────────────────────────────────
     │
     ├─ 削除/更新されたメモリを embedding 付きで保存
     ├─ アクティブな結果が弱い場合の fallback 検索
     └─ アーカイブが閾値を超えると自動圧縮

🚀 クイックスタート

前提条件

ビルド & 実行

git clone https://github.com/Adaimade/R-Mem.git && cd R-Mem
cargo build --release
# → target/release/rustmem（3.6 MB）

設定

プロジェクトルートに rustmem.toml を作成：

[llm]
provider = "openai"
base_url = "http://127.0.0.1:11434"
model = "qwen2.5:32b"

[embedding]
provider = "openai"
base_url = "http://127.0.0.1:11434"
model = "nomic-embed-text"

[llm]
provider = "openai"
api_key = "sk-..."
model = "gpt-4o"

[embedding]
provider = "openai"
api_key = "sk-..."
model = "text-embedding-3-small"

[llm]
provider = "anthropic"
api_key = "sk-ant-..."
model = "claude-sonnet-4-6"

[embedding]
provider = "openai"
api_key = "sk-..."
model = "text-embedding-3-small"

注意： Anthropic は embedding モデルを提供していないため、[llm] で Anthropic を使用する場合でも [embedding] は OpenAI または Ollama を使用します。

🔗 統合ガイド

⚠️ MemoryManager を構築するだけでは不十分

最も一般的な統合ミス：MemoryManager を初期化したものの、会話ループで add() や search() を一度も呼び出さないこと。メモリシステムは存在するが使われていない — ユーザーが言ったことは何も記憶されません。

正しい会話ループ

毎ターン、2 つのメモリ操作を含める必要があります：

1. LLM 呼び出し前 — 想起（関連するメモリを検索）
2. LLM 呼び出し後 — 学習（新しい事実を抽出して保存）

loop {
    user_message = receive()

    // 1. 想起 — LLM を呼び出す前に
    memories = rmem.search(user_id, user_message, limit=10)
    context = format_as_context(memories)

    // 2. メモリコンテキスト付きで LLM を呼び出す
    response = llm.chat(system_prompt + context + user_message)

    // 3. 学習 — 応答後に
    rmem.add(user_id, user_message)

    send(response)
}

メモリコンテキストの形式

search() の結果を LLM が理解できるコンテキストにフォーマットします：

[Memory]
このユーザーについての既知の事実：
- ユーザーの名前は Alice
- ユーザーはダークモードを好む
- ユーザーは Rust プロジェクトに取り組んでいる

これを system prompt 内またはユーザーメッセージの前に配置して、LLM が参照できるようにします。

マルチスコープパターン

アプリが複数のチャネル（例：Telegram + Discord）にサービスを提供する場合、3 つのスコープレイヤーを使用します：

想起時に結果をマージします：

local_results  = search("telegram:group_123", query)
user_results   = search("user:456", query)
global_results = search("global:system", query)
all = deduplicate(local + user + global)

よくある間違い

• ❌ MemoryManager を初期化するがループで search() / add() を呼ばない
• ❌ 学習のみで想起しない（メモリは保存されるが取得されない）
• ❌ 想起のみで学習しない（古いメモリを読むが新しいものを学習しない）
• ❌ LLM 呼び出し前に add() を実行する（現在のメッセージが既知の事実として扱われる）

📖 使い方

CLI

# メモリを追加
rustmem add -u alice "My name is Alice and I work at Google. I love sushi."

# セマンティック検索
rustmem search -u alice "What does Alice eat?"

# ユーザーの全メモリを一覧
rustmem list -u alice

# グラフ関係を表示
rustmem graph -u alice

# REST API サーバーを起動
rustmem server

REST API

rustmem server で起動後：

# ➕ メモリを追加
curl -X POST http://localhost:8019/memories/add \
  -H 'Content-Type: application/json' \
  -d '{"user_id": "alice", "text": "I moved to Tokyo last month"}'

# 🔍 検索
curl -X POST http://localhost:8019/memories/search \
  -H 'Content-Type: application/json' \
  -d '{"user_id": "alice", "query": "where does she live", "limit": 5}'

# 📋 全件取得
curl http://localhost:8019/memories?user_id=alice

# 🏷️ カテゴリでフィルタ（preference, personal, plan, professional, health, misc）
curl http://localhost:8019/memories?user_id=alice&category=preference

# 🗑️ 削除
curl -X DELETE http://localhost:8019/memories/{id}

# 📜 履歴
curl http://localhost:8019/memories/{id}/history

# 🗄️ アーカイブされたメモリを表示
curl http://localhost:8019/archive?user_id=alice

# 🕸️ グラフ関係を表示
curl http://localhost:8019/graph?user_id=alice

AI Agent へのドロップイン

# mem0（以前）
from mem0 import Memory
m = Memory()
m.add("Alice loves sushi", user_id="alice")

# R-Mem（以後 — HTTP に切り替えるだけ）
import httpx
httpx.post("http://localhost:8019/memories/add",
    json={"user_id": "alice", "text": "Alice loves sushi"})

🔌 MCP Server

R-Mem は MCP server として動作します — 1 コマンドで Claude Code や Cursor に長期メモリを付与：

# Claude Code
claude mcp add rustmem -- /path/to/rustmem mcp

# Cursor (.cursor/mcp.json)
{
  "mcpServers": {
    "rustmem": {
      "command": "/path/to/rustmem",
      "args": ["mcp"]
    }
  }
}

7 つの tools： add_memory、search_memory、list_memories、get_memory、delete_memory、get_graph、reset_memories

🏗️ アーキテクチャ

src/
├── main.rs          CLI エントリポイント（clap）
├── config.rs        TOML + 環境変数設定
├── server.rs        REST API（axum）
├── mcp.rs           MCP server（rmcp）— stdio 経由の 7 tools
├── memory.rs        コアオーケストレータ — 階層メモリパイプライン
├── extract.rs       LLM 呼び出し：OpenAI + Anthropic native
├── embedding.rs     OpenAI 互換 embedding クライアント
├── store.rs         SQLite vector store（WAL + FTS5 + archive）
└── graph.rs         SQLite graph store（soft-delete、多値関係）

9 ファイル。2,826 行。3.6 MB バイナリ。外部サービスゼロ。

🗺️ ロードマップ

R-Mem v0.3.0 は学習プロジェクトとして機能完備です。コアアーキテクチャは安定しており、本番レベルの堅牢化済みです。コミュニティからの貢献、fork、探索を歓迎します — issue または PR をお気軽にどうぞ。