LLMのための関係性メモリ：ユーザー関係をモデル化する3層システム

リレーショナルメモリは、Claude OpusやGPT-4oのようなLLMに、関係性を意識したメモリを追加する500行のPythonプロトタイプです。ユーザーに関する事実を保存する代わりに、確立されたモデルから導き出された7つの心理的次元にわたって関係そのものをモデル化します。

仕組み

各セッションの後、セカンダリLLM（Claude Haiku）が会話全体を分析し、関係性を7つの次元でスコアリングします：形式性、温かさ、ユーモア、深さ、信頼、エネルギー、レジリエンス（回復力）。システムは更新に指数移動平均（EMA）を使用し、最近のセッションに重みを与えながらも、歴史的文脈を維持します。

3層のメモリ構造

5セッションごとに、「睡眠時間エージェント」がメモリを3つのナラティブ層に統合します：

• 基本トーン: ユーザーがどのような人物かの肖像（寿命：数ヶ月）
• パターン: 「AIが表面的になると、ユーザーはより鋭い質問で押し返す」といった行動的なif-thenルール（寿命：数週間）
• アンカー: 関係性を形作った転換点（長期的保持）

メモリファイルは、ユーザーが直接読めるプレーンなマークダウンとして保存されます。システムは、完全な想起の幻想を防ぐために、最近のデータでサポートされていないパターンを意図的に忘れます。

主な特徴：レジリエンス（回復力）の次元

レジリエンスは、関係がどれだけ正直な摩擦に耐えられるかを追跡します。レジリエンスが高いと、AIは意見が異なるときに押し返します。レジリエンスが低いと、課題を質問として提示します。これにより、AIはユーザーの好みだけでなく、自分が間違っていると伝えられるかどうかも知ることができます。

実用的な実装

インストールとセットアップ：

pip install git+https://github.com/spectator81-png/relational-memory.git
export ANTHROPIC_API_KEY=sk-ant-...
relational-memory --mode flat  # A/B比較用
relational-memory --provider openai  # GPT-4o用

このツールは、それぞれのSDK以外の依存関係なしで、AnthropicとOpenAIの両方のAPIをサポートしています。1人のユーザーで7セッションにわたってテストされ、メモリ有効モードと無効モードの間でAIの応答に顕著な違いが見られました。

応答例

リレーショナルメモリがない場合、ユーザーが「迷っています。たくさんのアイデアがあるけど、どれを追求する価値があるかわかりません」と言うと、AIはアイデアを書き出して抵抗が少ないものを選ぶといった一般的なアドバイスで応答します。

リレーショナルメモリが有効な場合、AIは次のように応答します：「あなたのその点は知っています。あなたは小さなカテゴリーでは考えません。でも『どれに価値があるか』は間違った質問かもしれません。どのアイデアが夜中にあなたを離さないですか？」

7つの関係性の次元は、6つの確立された心理モデルから導き出されました：対人関係円周モデル、PRQC、ラッセルの円周モデルなどです。4つの次元は既存の文献から直接、1つは人間-AIの文脈に適応され、2つは新規のものです。