AI Agent Builder：MemexがSuper Agentで記録を記憶に変える方法
AI agent builderを探す人は、もう一つのチャットボットが欲しいわけではありません。入力を受け取り、意図を理解し、ツールを使い、状態を保ち、中断から復帰し、あとで確認できる結果を作るソフトウェアを求めています。
ここが building AI agents の難しい部分です。promptはdemoでは賢く見えますが、有用なagentは世界の状態を少し変える必要があります。記録を保存し、カードを作り、ノートを整理し、リマインダーを準備し、過去の文脈とinsightをつなぐことです。
Memexはpersonal memory appですが、open-source architectureはhow to build an AI agentを考える上で良い事例です。MemexではSuper Agentがユーザー向けのorchestratorになり、captureは単なるDB行ではなく、identity、delegation、verified outputを持つagent turnになります。
Super Agent workflowを試す
Memexをダウンロードして断片を構造化された記憶にする
テキスト、写真、音声を記録し、Super Agentにcards、knowledge、insights、schedulesを調整させながら、primary recordsはlocal-firstに保ちます。
What is an agent in AI?
最も単純なagent definitionは、AI agentとは入力を受け取り、次に何をするか判断し、toolやactionを使い、環境や状態を更新するソフトウェアだというものです。intelligent agent in AIは、長い答えではなく、作った確認可能な結果で評価すべきです。
Chatbotは答えます。Agentは行動します。files、records、photos、calendars、reminders、search indexes、local databases、long-running workflowsに触れると、この差は明確になります。
- Goal：agentが達成したいこと。
- Context：taskとpast stateについてagentが知っていること。
- Tools：agentが実行できる制限されたaction。
- Memory：現在のchat turn後にも残るもの。
- Verification：作業が本当に完了したと分かる仕組み。
多くのAI agent buildersが不完全に感じる理由
多くのAI agent buildersは、prompt editor、model picker、tool integration listから始まります。demoには十分ですが、信頼できるproductには足りません。
不足しがちなのはoperational layerです。task stateは誰が持つのか。appが閉じたらどうなるのか。workerは独立して走れるのか。一つのrecordをcard、note、insight、schedule itemがずれずに参照できるのか。
stable identity、permission boundary、delegation、result checksがないAI agent builderは、信頼できるsystemではなく、tool callingの見た目を良くしたinterfaceになります。
MemexのSuper Agentモデル
MemexはSuper Agentをユーザーの前に立つsingle conversational mindとして使います。すべてを自分で行うのではなく、requestの各部分をどのspecialized workerへ渡すか判断し、結果をtimelineとknowledge systemへ戻します。
新しいrecordでは、まずidentityが重要です。systemはcapture turnのためにfact_idを作成または再利用できます。そのidにより同じrecordがtimeline card、PKM entry、schedule interpretation、insight、future memory workとつながります。
- Card Agent：raw inputをstructured timeline cardに変える。
- PKM Agent：durable knowledgeをlocal knowledge systemに整理する。
- Insight Agent：records全体からpattern、summary、meaningを探す。
- Schedule Agent：future events、reminders、time-sensitive recordsを扱う。
- ResearchまたはDiagnosis Agent：必要なときに深い分析を行う。
Memex agent flow
ユーザーの記録
-> Super Agent
-> fact_idを作成または再利用
-> 専門workerへ委任
-> Card / PKM / Insight / Schedule / Research
-> 結果を検証
-> timeline + knowledge base + memory信頼できるrecordを作るAI agentの作り方
real user dataのためにbuilding AI agentsをするなら、modelではなくrecord lifecycleから始めます。recordは生まれ、名前を持ち、豊かにされ、保存され、参照され、見返され、時には更新されます。agent architectureはこのlifecycleに合わせるべきです。
1. Record identityから始める
durable recordにはstable identityが必要です。Memexではそれがfact_idです。Super Agentはworkerに作業を依頼する前に、新しいrecord idを受け取れます。
2. Orchestrationとexecutionを分ける
orchestratorは何が必要かを判断し、specialized workersは境界のある作業をします。一つの巨大promptに分類、書き込み、schedule、summary、verificationを全部任せません。
3. 各agentに狭いtoolsを渡す
Card workerにschedule workerと同じtool surfaceは不要です。狭いtoolsはagent behaviorを理解、test、制限しやすくします。
4. Outputを検証可能にする
信頼できるagentはsavedと言うだけでは不十分です。host systemはcardが存在するか、fact_idが一致するか、fileが書かれたかを確認します。
5. Task stateを保つ
mobile appはbackgroundに入り、networkは失敗し、userはdialogを閉じて戻ってきます。foreground task tracking、resume metadata、clear tool success messageが信頼性を決めます。
6. Memoryをchat historyではなくsystemとして扱う
long-term memoryはmodel context windowだけに置くべきではありません。Memexはdurable recordsをlocal filesとstructured dataとして保存し、agentsがcards、knowledge entries、insights、summariesを作ります。
Memex内のAI agent architecture
Memexのagent architectureはorchestrator、worker agents、local files、tools、skills、persistent state、evalsを組み合わせます。Flutter app内で動くため、teamはmobile/local-first apps向けのDart agent SDKであるdart_agent_coreを作りました。
最近のmemex-lab/memexの更新は、better subagent task content、image attachment handling、activity states、retry/resume metadata、tighter tool success copy、Super Agent turns向けのpre-minted record id reminderに集中しています。
派手な機能ではありませんが、real AI agent toolとprototypeを分けるのはこうした部分です。agentは作業を続けるstateと、自分が何をしたか説明できるevidenceを持つ必要があります。
Open source AI agentsは検査できるべき
Open source AI agentsの実用的な利点は、model behaviorとapplication behaviorの境界を読めることです。prompt、tools、permission rules、storage model、eval approachを確認できます。
personal memoryではこれが重要です。journal agentは非常にprivateなdataを読みます。local AI agentがcloud modelsを呼ぶ設定もあり得ますが、records、files、tool boundariesは理解可能であるべきです。
ソースとコミュニティ
Agent systemを確認し、チームと話す
open-source Memex appを読み、Super Agentの変更を追い、Discordでlocal-first agents、agent evals、personal memory workflowsについて話せます。
Personal memory appでのAI agent use cases
最高のAI agent use casesは派手とは限りません。personal memory appでは、静かで毎日繰り返されるケースが本当に役立ちます。
- 短い考えがtimeline cardとdurable knowledge noteになる。
- 写真がcontext、location、meaningを持つsearchable life recordになる。
- 未来の予定がinternal schedule interpretationやreminder actionになる。
- meeting noteがsummary、follow-up task、後で検索できるreferenceになる。
- 一週間のfragmented capturesがstress、energy、relationshipsについてのinsightになる。
Memexは通常のAI agent builderと何が違うのか
| System | 何をするか | 不足または違い |
|---|---|---|
| 通常のチャットボット | ユーザーに返答する | 答えはchat historyに残り、長期構造になりにくい |
| 一般的なAI agent builder | promptをtoolsにつなぐ | tool callは動くが、state、verification、long-term memoryが薄いことが多い |
| Memex Super Agent | 記録をdurable memoryに変える | card、PKM note、insight、schedule、referenceが同じrecord identityを共有する |
自分でAI agentを作るべきか、既存agent builderを使うべきか
workflowがsimple、cloud-based、easy to verifyなら既存のAI agent builderで十分です。strict data ownership、local storage、mobile execution、long-lived state、specialized workers、product-specific verificationが必要なら自前のAI agent architectureが必要です。
すべてのteamがMemexをコピーすべきという話ではありません。重要なのは、serious agent systemsは守るべきものを中心に設計されるべきということです。Memexにとってそれはperson's memoryです。
Source and related reading
Memex app repository、dart_agent_core、agent evals、agentic journal guideを読むと、このarchitectureが実際のproductでどう動くか分かります。 memex-lab/memex · dart_agent_core · agent evals · agentic journal app
Agent architecture clusterを続けて読む
FAQ
AI agent builderとは？
context、tools、memory、permissions、execution stateを使ってtaskを完了するagentを作るためのsystemです。
AI agentはどう作りますか？
明確なjobから始め、必要なtoolsだけを渡し、task stateを保ち、outputを検証し、orchestrationとexecutionを分けます。
MemexはAI agent builderですか？
Memexはgeneric enterprise agent builderではなくpersonal memory appです。ただしopen-source architectureにはSuper Agent、subagents、tools、skills、persistent state、evals、local-first recordsを持つ実際のagent systemがあります。
AI agentsはlocalで動きますか？
はい。orchestration、tools、files、state、local model connectionsはlocalで動かせます。Memexはprimary recordsをlocal-firstに保ち、model inferenceはuserが設定したproviderに依存します。