LLMアプリにおける「階層型メモリ」の実装パターン (Deep Journal開発事例)

個人開発のAI日記アプリ「Deep Journal(ディープジャーナル)」にて、ユーザーの長期的な文脈を保持するためのHierarchical Memory Architectureを実装しました。
その設計パターンと、具体的なデータフローについて紹介します。
※この記事は Qiita に投稿した内容をベースに、Zenn向けに再構成したものです。
※本アプリの基本構成(React + Firebase + Gemini Proxy)については、前回の記事を参照してください。
👉 React + Firebase + Gemini APIで「AI交換日記アプリ(ディープジャーナル)」をPWAとして個人開発した技術構成
背景
Chat UIにおいて「過去の文脈」をどう扱うかは永遠の課題です。
- Window方式: 直近N件だけ入れる(昔のことを忘れる)
- RAG方式: 類似度で検索して入れる(断片的な事実は拾えるが、文脈や流れが切れがち)
- Summary方式: 会話全体を要約し続ける(情報が劣化・欠落する)← これまではこの方式を採用していましたが、長期運用で限界がありました
今回は、日記という「時系列性が強く」「感情の変遷が重要」なドメイン特性に合わせて、**「期間で区切った階層的要約」**へとアーキテクチャを刷新しました。
データモデル設計
1. Monthly Summary (短期〜中期記憶)
「2024-01」のようなキーでFirestoreドキュメントを作成。
その月の journalEntries を全てfetchし、LLMに以下のスキーマでJSON出力させます。
{
"summary": "新しいプロジェクトが始まり、前半は不安が強かったが、後半にはチームに馴染んで...",
"sentiment_score": 0.4,
"keywords": ["新人研修", "不安", "達成感"]
}
2. Global Summary (長期記憶)
ユーザーの userDoc 直下に current_summary として保持。
更新トリガーは「月が変わった時」または「データの再構築時」。
全ての Monthly Summary のテキストだけを繋げ、以下のようなプロンプトで生成します。
あなたは伝記作家です。以下の「月ごとの記録」を元に、この人物の人生のストーリーを一貫性のある文章に統合してください。過去の事実だけでなく、成長や変化に焦点を当ててください。
結果と考察
このアーキテクチャにより、AIは**「点(今日の日記)」ではなく「線(人生の流れ)」**でユーザーを捉えられるようになりました。
技術的にも、推論時に読み込むトークン数は「Global Summary (約1000token) + 直近日記」で固定化されるため、ユーザーが何年使い続けてもコスト算定が容易です。
「AIに自分を覚えていてほしい」というニーズに対し、RAGとはまた違った、**「ナラティブ(物語)としての記憶」**を持たせるアプローチとして有効でした。
#DesignPattern #LLM #Architecture #Firebase #DeepJournal #ディープジャーナル
Discussion