supermemoryは、アプリにAIの記憶層を足すMemory APIです。AIメモリ/RAG領域に絞って解説します。RAG全般は RAGとは?仕組み・構築・ベクトルDB選定までの2026年実装マップ をご覧ください。
MEMORY IS NOT RAG記憶とRAGの違い
RAGは文書を引く、メモリは事実を育てる
RAG
文書を検索して文脈に足す
- 静的な知識ベースを参照
- ユーザーの状態は持たない
- 社内文書のQ&Aに向く
メモリ層
会話から事実を蓄積・更新する
- 好みや方針の変更を時間軸で保持
- 矛盾の解消・古い情報の失効
- ユーザー単位のスコープで分離
- supermemoryはアプリにAI記憶層を組み込むMemory API。29,245★(2026-09-07時点。初出時は約25,140★)・MIT・TypeScriptで、SaaSとセルフホストの両方をサポートする
- 「Memory is not RAG」を掲げ、事実を蓄積・更新するメモリ層と文書検索のRAGを、ハイブリッド検索で1クエリに同居させる
- mem0・cognee・Letta(MemGPT)・Graphitiとアーキ・保存方式・ライセンス・料金で比べ、用途別の選び方と最小コードを一次ソースで整理する
なぜ「AIメモリ」が新カテゴリなのか
LLMの外側に「ユーザーや組織についての事実を時間軸で持つ層」を切り出す動きが、ここ1〜2年で加速しました。背景は3つです。
・コンテキストウィンドウの限界。長文脈モデルでも、毎回すべての履歴を詰めるとコストとレイテンシが跳ねる。長く動くエージェントほど、必要な事実だけを選んで渡す出し入れが要る。文脈が伸びても記憶問題は消えない
・ステートフルなエージェントへの流れ。何日も走るエージェントは、ユーザーの好みを跨セッションで保持しないと一貫性が崩れる
・RAGとの役割分担。RAGは静的な知識ベースの参照に向き、メモリ層は矛盾や更新を扱いながら事実を育てる点が違う
RAGは文書を意味検索して渡すだけで、ユーザーの状態は持ちません。メモリ層は「田中さんはPythonよりGoを好む」「先週の方針はAからBに変わった」といった、時間とともに更新される事実を扱います。両者は排他ではなく、ハイブリッド検索で同居させるのが主流です。
supermemoryの中身
supermemoryは、データを取り込み、事実を抽出して保存し、低レイテンシで検索し、LLMのコンテキストに差し込む流れで動きます。
MEMORY PIPELINE取り込みから検索まで
全文ではなく事実を蓄えて、関連分だけ渡す
-
取り込み
会話・PDF・画像・コード・コネクタ
-
事実を抽出
矛盾の解消と失効を扱う
-
保存
containerTagでスコープ管理
-
ハイブリッド検索
RAGとMemoryを1クエリ
-
LLMに挿入
約50msと公式は主張
公式の説明を機能ごとに整理します。
・自動事実抽出:会話やドキュメントから事実を切り出し、矛盾の解消や古い情報の失効(expiration)を扱う
・ユーザープロファイル:安定した事実と直近の活動を自動でまとめ、約50msで返すと主張
・ハイブリッド検索:RAGとメモリを1クエリに統合し、文書とパーソナルな文脈を同時に引く
・コネクタ:Google Drive・Gmail・Notion・OneDrive・GitHubをWebhookで同期
・マルチモーダル処理:PDF、画像(OCR)、動画(文字起こし)、コード(AST対応のチャンク分割)を取り込む
要点は、全文ではなく事実を蓄えることです。「先週はReactで実装したが、今回はSvelteにしたい」という発話からは、現在の選好=Svelte、過去の選好=React(失効)のように、時間軸を持つ複数の事実が抽出されます。単位が小さくなるので、検索時に余計な文脈を引かずに済みます。
公式はLongMemEval・LoCoMo・ConvoMemといった記憶系ベンチで上位を主張しています。ベンダー自身の実測であり、埋め込みモデルやTop-kで結果は動きます。順位を鵜呑みにせず、自社の代表ワークロードで再現率を測るのが安全です。
競合との比較表
| 項目 | supermemory | mem0 | cognee | Letta(MemGPT) | Graphiti(Zep) |
|---|---|---|---|---|---|
| 位置づけ | Memory API+アプリ | メモリ層API | メモリ基盤(open-core) | エージェントランタイム | 時系列ナレッジグラフ |
| 主要言語 | TypeScript | Python/TS | Python | Python | Python |
| 保存・検索方式 | ベクトル+ハイブリッド検索 | 抽出+ベクトル検索 | グラフ+ベクトル | メモリブロック+DB | 時系列KG |
| 記憶の更新主体 | 抽出パイプラインが自動 | 抽出パイプラインが自動 | パイプラインが構造化 | エージェントが自己編集 | イベントで時系列更新 |
| ライセンス | MIT | Apache-2.0 | Apache-2.0 | Apache-2.0 | Apache-2.0 |
| ホスティング | SaaS+セルフホスト | SaaS+OSS | フルローカル可 | SaaS+OSS | SaaS+OSS |
| 主なDB依存 | マネージド(SaaS時不要) | ベクトルDB(Qdrant等) | Neo4j/FalkorDB/Kuzu | Postgres | Neo4j |
性格を言い切ると、mem0は「フレームワークに後付けする標準的なメモリ層」、Lettaは「エージェント自身が記憶を自己編集するランタイム」、cogneeは「グラフ推論とローカル実行に強い基盤」、Graphitiは「時系列の関係を追う知識グラフ」、supermemoryは「低レイテンシのマネージドAPIとコネクタで、コーディングエージェントやアプリ統合に寄せた道具」です。
「更新主体」は設計思想を分ける軸です。supermemoryやmem0は抽出パイプラインが裏で事実を切り出す受動型で、実装は軽く外付けしやすい一方、何が記憶されるかの可観測性は下がります。Lettaは推論ループの中でエージェントが自己編集する能動型で、長期の自律エージェントに向きますが、エージェント設計に踏み込む必要があります。作るものがアプリか自律エージェントかで適合が変わります。
supermemoryは29,245★(2026-09-07時点。初出時は約25,140★)と多い部類ですが、star数は注目度であって要件への適合度ではありません。必要な機能から逆引きするのが正しい選び方です。
ユースケース別の選び方
WHICH ONE用途から選ぶ
必要な機能から逆引きする
-
1.アプリに記憶を後付け・TypeScript・コネクタ
supermemory
-
2.Python中心の標準メモリ層
mem0
-
3.グラフ推論・フルローカル
cognee(時系列の関係ならGraphiti)
-
4.エージェント自身が記憶を自己編集
Letta
・チャットアプリの会話履歴:会話を渡すと事実を自動抽出するマネージド型が合う。直近プロファイルを低レイテンシで返せるsupermemoryは、応答速度が体験を左右するUIに向く
・コーディングエージェントの過去文脈:過去の修正方針や規約を覚えさせる用途。supermemoryはコードのAST対応チャンク分割とGitHubコネクタを持つ。自己編集を重視するならLettaも候補
・CSボットの顧客対応履歴:顧客単位でスコープを切る必要があり、containerTagでユーザー/組織を分離できる設計が効く。古い住所→新しい住所のような矛盾の解消も実務で効く
・個人のナレッジ集約:Drive/Notionを同期し、PDFや動画も束ねられる。データ主権を重視するならフルローカルのcogneeも比較対象
最小構成とAPI設計のポイント
SaaSならDBは不要です。まずSDKで最小構成を試します。
# JavaScript / TypeScript
npm install supermemory
# Python
pip install supermemory
最小構成は「記憶を追加する(add)」と「検索する(search)」の2操作を会話ループに挟むだけです。以下はTypeScriptでの例です(メソッド名・引数は構造を示す想定で、実際は最新ドキュメントで確認してください。本記事では実行していません)。
import { Supermemory } from "supermemory";
const client = new Supermemory({ apiKey: process.env.SUPERMEMORY_API_KEY });
// 1. 会話から記憶を追加(containerTagでユーザーを分離)
await client.memories.add({
content: "田中さんはPythonよりGoを好み、CI/CDはGitHub Actions派",
containerTag: "user:tanaka",
});
// 2. 次の会話で関連する記憶を検索
const results = await client.memories.search({
q: "田中さんの好みの言語は?",
containerTag: "user:tanaka",
});
from supermemory import Supermemory
client = Supermemory(api_key=os.environ["SUPERMEMORY_API_KEY"])
# ドキュメントを取り込み(RAG側)
client.documents.add(content=open("handbook.md").read(), container_tag="org:acme")
# 同じスコープでメモリとRAGをまとめて検索
hits = client.memories.search(q="入社時のオンボーディング手順は?", container_tag="org:acme")
設計上の論点は4つです。
・記憶の粒度:事実・出来事・好みを区別する。何を事実として切り出すかが検索品質を左右する
・タイムスタンプと失効:住所変更のように上書きすべき事実を時間軸で扱えるかが実務の肝
・スコープ(containerTag):ユーザー/組織/プロジェクト単位で記憶を分離する。同じタグならメモリとRAGが同じプールを共有する。最初の設計を雑にすると後から分離しづらい
・更新と削除:更新は新バージョンを作り元は履歴に残る(isLatest=falseのような版管理)。削除はソフトデリートで履歴を保持する設計なので、検索で古い版を引かないフィルタが要る
既存アプリへは、LangChain / LangGraph / Vercel AI SDK / OpenAI Agents SDK のメモリレイヤとして差し込めます。LLM呼び出しの前後にadd/searchを挟む薄いミドルウェアや、自社バックエンドからの直接呼び出しも可能です。MCP経由ならClaude DesktopやCursor、Claude Codeからも接続できます。LangChainの下地は LangChainの使い方|日本語入門、グラフ構造で知識を扱う発想は LightRAG|知識グラフ×デュアルレベル検索 と比べると違いが見えます。進め方は、限定したcontainerTagで「add→search→プロンプト連結」を回し、抽出された事実と検索結果を目視してから広げる順序が安全です。
コスト試算とよくある落とし穴
コスト試算
SaaSの料金は利用量ベースの組み込みクレジット型です(2026年6月時点の公式値。最新は公式ページで確認してください)。
| プラン | 月額 | 含まれる利用量 | 主な対象 |
|---|---|---|---|
| Free | $0 | 約$5/月分の利用量 | 個人・試用 |
| Pro | $19 | 約$20/月分 | 個人開発・小規模 |
| Max | $100 | 約$130/月分(Proの6倍) | 本格運用 |
| Scale | $399 | 約$600/月分 | チーム・セルフホスト可 |
| Enterprise | 個別見積 | 上限なし | エアギャップ・SLA |
Scaleプラン以上でセルフホストオプション、Enterpriseでエアギャップ自己ホストとSOC 2/HIPAA/GDPR対応が案内されています。セルフホストはインフラ費だけ見ると安く見えますが、ベクトル/グラフDBの運用・バックアップ・スケールの手間が乗ります。少人数ではSaaSが総コストで有利なことが多く、データを外に出せない要件があるときに自前が効きます。「安いから自前」ではなく「要件があるから自前」で判断します。
保存量だけでなく検索の頻度でも消費は変わります。チャットUIのように1セッションで何度も検索する用途は、想定より早くクレジットを使います。本番前に代表ワークロードで実測し、Auto top-upの上限を設定しておくと事故を防げます。
よくある落とし穴
・記憶の不整合:古い所属と新しい所属が併存し、検索で両方返る。失効・矛盾解消の設定と更新セマンティクスの理解が前提
・スケール時のレイテンシ:記憶が増えるほど検索が重くなる。containerTagで検索対象を絞る
・GDPR/個人情報の削除要求:ソフトデリートだけだと履歴が残り、完全削除の要件を満たせないことがある
・PIIの自動保存:事実抽出の過程で機微な個人情報をそのまま保存するリスク。保存対象の制御を最初に決める
保存内容は攻撃対象にもなります。記憶にAPIキーや内部URLが紛れ込めば、それを引き出すプロンプトインジェクションの標的になります。何を保存しないかの線引きは、機能要件であると同時にセキュリティ要件です。
まとめ:supermemoryをどう位置づけるか
supermemoryは、「低レイテンシのマネージドAPI+厚いコネクタ+コーディング向けの取り込み」に寄せた記憶層です。アプリにサクッと記憶層を足したいTypeScript系の開発者に届きやすい素性です。
・まず試すなら:Free枠で代表ワークロードを入れ、抽出された事実と検索の再現率を実測する
・mem0と迷うなら:TypeScript/コネクタ/コーディング連携重視ならsupermemory、Python中心の標準メモリ層ならmem0
・グラフ推論や時系列が要るなら:cogneeやGraphiti、自己編集記憶ならLetta
・本番投入の前に:containerTag設計・削除セマンティクス・PIIの扱いを先に固める
参照ソース
・supermemoryai/supermemory(GitHub公式リポジトリ) — README・機能一覧・SDK情報の一次ソース
・supermemory公式ドキュメント — Memory API・containerTag・ハイブリッド検索の設計





