AIエージェントの「記憶」の3分類

AIエージェントの記憶は、Google ADK などの主要なエージェント SDK が採用している分類に沿うと整理しやすくなります。大きく State（短期記憶）/ Artifact（一時記憶）/ Memory（長期記憶） の3種類です。

State（短期記憶）

「セッション中のメモ帳」

State とは、1回の会話セッションの中でエージェントが保持する一時的な状態です。プログラムでいう「変数」に近い概念で、ユーザーとの会話の流れや操作の進捗をリアルタイムで記録します。

# Stateの典型的な実装イメージ（Google ADK）
session.state["user_name"] = "tera"
session.state["quiz_step"] = 3
session.state["score"]     = 80


# セッション終了（プロセス終了）と同時に消える

Google ADK では、状態を4つの名前空間で管理できます：

user:  や app: プレフィックスを使うと、セッションをまたいで一部の情報を引き継ぐこともできます。ただし、会話の文脈全体を保存するというより、設定値や進捗フラグなどシンプルなデータの管理に向いています。

Artifact（一時記憶）

「作業の中で生み出した成果物の置き場」

Artifact とは、エージェントがタスクを実行する過程で外部に出力・保存するファイルや構造化データです。生成したコード、分析レポート、PDF や画像ファイルなどが該当します。

# Artifactの典型的な実装イメージ（Google ADK）
await tool_context.save_artifact(
    filename="report_2026-05.pdf",
    artifact=pdf_bytes   # バイナリデータとして保存
)


# 後続の処理で再利用
artifact = await tool_context.load_artifact("report_2026-05.pdf")

Memory（長期記憶）とそのバリエーション

「セッションをまたいで持続する記憶」

Memory とは、セッションが終わっても消えない永続的な記憶です。「このユーザーは〇〇が好き」「前回のクイズスコアは80点だった」といった情報をまたいで保持するために使います。

① ユーザーがメッセージを送信

   ↓

② メッセージをDBに保存（会話ID紐づけ）

   ↓

③ DBから過去ログを全件取得 → LLMに渡す

   ↓

④ アプリ再起動後も同じ会話IDでDBから復元 → 続きから話せる

Google ADK ではDatabaseSessionServiceを使ってこれを実現できます：

# PostgreSQLにセッションデータを保存する例
uv run adk web --session_service_uri="postgresql://user:pass@localhost:5432/mydb"

長期記憶の実装方法の比較

「録音」ではなく「ノートにまとめる」ことが Memory Bank の本質

DB永続化（Persistent Session）が会話の「録音・録画」だとすれば、Memory Bank は自分でまとめたノートです。

Google の Vertex AI（現Agent Platform） Memory Bank では、Gemini モデルが会話セッションを分析し、重要な情報だけを自動的に抽出・蒸留して保存します。次のセッションでは、膨大なログを全件渡すのではなく、厳選された記憶だけをコンテキストとして活用します。

【DB永続化（録音）】

会話ログ全体 → そのままDBへ → 次回も全部読み込む

→ 問題: トークン肥大化、不要情報も混入



【Memory Bank（ノート）】

会話ログ → LLMが重要情報を抽出・蒸留 → 構造化して保存

→ 次回はコンパクトな記憶だけ読み込む

Memory Bank が保存する記憶の種類は以下の通りです：

全体比較

※ user: / app: プレフィックスを使えばセッション間で一部引き継ぎ可能

3つの記憶は競合するものではなく、目的に応じて組み合わせるのが正解です。

【セッション中の状態管理】                    → State

【ツール間のファイル受け渡し・成果物の保存】    → Artifact

【会話の「続き」を再現したい（アプリ再起動対応）】 → DB永続化

【ユーザーの成長・知識の継承・パーソナライズ】   → Memory Bank

ここでは Google ADK を使って Memory Bank と連携するパーソナル業務アシスタントを構築します。ユーザーの名前・役職・好みなどを長期記憶として蓄積し、セッションをまたいでパーソナライズされた応答ができるエージェントです。

ディレクトリ構成

.

├── memory_bank_sample_agent

│   ├── agent.py       # エージェント定義

│   ├── .env           # 環境変数

│   └── __init__.py

├── pyproject.toml

└── uv.lock

プロジェクトの準備

# uv プロジェクトの初期化
uv init --no-readme



# ADK パッケージの追加
uv add "google-adk>=1.29.0"


# エージェントのパッケージディレクトリを作成
mkdir memory_bank_sample_agent



# ADK がパッケージとして認識できるよう __init__.py を配置
echo "from . import agent" > memory_bank_sample_agent/__init__.py

エージェントのソースコード（agent.py）

Memory Bank との連携には、以下の2つの仕組みを使います。

# memory_bank_sample_agent/agent.py
from google.adk.agents import Agent

from google.adk.tools import google_search

from google.adk.tools.agent_tool import AgentTool

from google.adk.agents.callback_context import CallbackContext

from google.adk.tools.preload_memory_tool import PreloadMemoryTool





# 会話終了後に直近のやり取りを Memory Bank に保存するコールバック
async def save_to_memory_callback(callback_context: CallbackContext):
    # 末尾の最終イベントを除いた直近5件を Memory Bank へ送信
    await callback_context.add_events_to_memory(
        events=callback_context.session.events[-5:-1]
    )
    return None




# Web 検索用のサブエージェント
search_agent = Agent(
    name="search_agent",
    model="gemini-2.5-flash",
    description="Google検索で最新情報を調べるエージェント",
    instruction="ユーザーの質問に対してGoogle検索を使って情報を収集し、日本語で回答してください。",
    tools=[google_search],
)


# ルートエージェント（Memory Bank 連携あり）
root_agent = Agent(
    name="my_agent",
    model="gemini-2.5-flash",
    description="ユーザーの情報や好みを記憶するパーソナル業務アシスタント",
    instruction="""あなたはユーザーに寄り添うパーソナル業務アシスタントです。



過去のやり取りから得たユーザーの情報（名前・役職・好み・プロジェクトの状況など）を

積極的に活用して、パーソナライズされた応答をしてください。



対応できることの例:

- 業務に関する調査・情報収集（search_agent を活用）

- 資料作成・文章のサポート

- プロジェクトの進捗整理や次のアクション提案

- ユーザーの好みに合わせた回答スタイルの維持



回答は日本語で、ユーザーの好みに合わせて丁寧に行ってください。""",
    tools=[
        AgentTool(agent=search_agent),
        PreloadMemoryTool(),        # Memory Bank から記憶を自動ロード
    ],
    after_agent_callback=save_to_memory_callback,  # 応答後に記憶を保存
)

Google Cloud の認証と環境変数設定

# プロジェクト ID を環境変数にセット
export PROJECT_ID=<プロジェクトID>


# Google Cloud CLI での認証
gcloud auth login

gcloud auth application-default login

gcloud config set project $PROJECT_ID

memory_bank_sample_agent/.env を作成します：

cat <<EOF > memory_bank_sample_agent/.env
GOOGLE_GENAI_USE_VERTEXAI=1

GOOGLE_CLOUD_PROJECT=$PROJECT_ID
GOOGLE_CLOUD_LOCATION=us-central1

EOF

Agent Runtime へのデプロイ

uv run adk deploy agent_engine \
    --project=$PROJECT_ID \
    --region=us-central1 \
    --display_name="Memory Bank Sample Agent" \
    memory_bank_sample_agent

デプロイが成功すると、Agent Runtime のリソース名が出力されます：

✅ Created agent engine: projects/<プロジェクト番号>/locations/us-central1/reasoningEngines/<ID>

このリソース名を環境変数に保存しておきます：

export RESOURCE_NAME=projects/<プロジェクト番号>/locations/us-central1/reasoningEngines/<ID>

実装のポイント解説

POINT 1 — PreloadMemoryTool が記憶を自動注入する

エージェントの実行開始時に、Memory Bank からそのユーザーの記憶を取得してプロンプトに挿入します。開発者がプロンプト管理をしなくても、エージェントが「覚えている」状態を自動的に作り出してくれます。

POINT 2 — after_agent_callback で記憶を蓄積する

callback_context.add_events_to_memory()呼ぶことで、会話の終わりに直近のやり取りを Memory Bank へ送信します。Memory Bank 側では Gemini が会話内容を分析し、保存すべき重要情報だけを抽出・蒸留して記憶として保存します。

POINT 3 — スライスで送信するイベントを絞る

events[-5:-1]のように直近のイベントだけを送ることで、毎回の会話で重複なく最新のやり取りを蓄積できます。末尾の最終イベント（コールバック自体の呼び出し）は除外しています。

初回セッション：ユーザー情報を伝える

最初のセッションでは、名前・役職・好みなどをエージェントに伝えます。

Memory Bank への保存確認

Agent Platform のコンソールから Memory Bank の中身を確認できます。「 teraさんは AI 活用推進担当」「箇条書きを好む」「推進プロジェクトの内容」といった情報が記憶として抽出・保存されていることが確認できます。

新しいセッション：記憶の引き継ぎを確認

ADK Web UI で新しいセッションを開始し、再度話しかけてみます：

新しいセッションにもかかわらず名前を覚えており、前回伝えた箇条書きスタイルも維持され、プロジェクトの内容もしっかり引き継がれています。これが Memory Bank の力です。

本記事では、AIエージェントの「記憶」の仕組みを State・Artifact・DB永続化・Memory Bank の4つで整理し、Google ADK を使って Memory Bank エージェントを実装しました。

今回のポイント

• AIエージェントの記憶は State / Artifact / DB永続化 / Memory Bank の4種類で使い分けるのがベストプラクティス
• Memory Bank は「生の会話ログを保存する」DB永続化とは異なり、LLM が重要情報を蒸留して保存するのが本質
• ADK の PreloadMemoryTool と after_agent_callback を組み合わせることで、Memory Bank との連携をシンプルに実装できる
• Agent Platform の Memory Bank はカスタマイズも可能で、保存するトピックや埋め込みモデルを用途に合わせて調整できる

Memory Bank が特に活きるシーン