OMEGA Memory

AI コーディングエージェント向けの永続メモリです。OMEGA はエージェントに、セッション間で照会・学習・連携できるナレッジグラフを提供します。

このスキルでは、OMEGA の MCP ツールを効果的に使用する方法を解説します。

セットアップ

pip3 install omega-memory[server]
omega setup        # auto-configures your editor + downloads embedding model
omega doctor       # verify everything works

Claude Code、Cursor、Windsurf、Zed、およびあらゆる MCP クライアントで動作します。

コアツール

OMEGA は 12 個の MCP ツールを提供します。それぞれの使用場面を説明します。

メモリの保存

omega_store(content, event_type, metadata?, entity_id?)

セッション間で永続化すべき、決定事項、教訓、コンテキストを保存します。

イベントタイプ	使用場面	TTL
decision	アーキテクチャの選択、技術選定	90 日
lesson_learned	デバッグの洞察、成功・失敗したパターン	90 日
user_preference	コードスタイル、ワークフロー設定、ツール選択	永続
error_pattern	繰り返すエラーとその修正方法	30 日
task_completion	完了した作業と成果	14 日
checkpoint	再開用の中断時点の状態	7 日

omega_store("Switched from REST to GraphQL for the dashboard API — reduces N+1 queries", "decision")
omega_store("User prefers early returns, max 2 levels of nesting", "user_preference")
omega_store("pytest fixtures with db cleanup must use function scope, not session scope", "lesson_learned")

保存しないこと: 生のコード出力、ツール結果、一時的なステータス更新、1 文未満の内容。

メモリの照会

omega_query(query, mode?, limit?, entity_id?)

キーワードではなく意味でメモリを検索します。ハイブリッド検索を使用します: ベクトル類似度 + 全文検索 + クロスエンコーダーリランキング。

モード	使用場面
semantic (デフォルト)	意味でメモリを検索 — 「認証はどう処理した?」
phrase	完全な部分文字列一致 — 特定の用語または識別子を検索
timeline	最近のメモリを日ごとにグループ化 — 「今週何があった?」
browse	タイプ、セッション、新しさで一覧表示 — 保存された内容を探索

omega_query("database migration strategy")
omega_query("what decisions were made about the API", mode="timeline", days=7)
omega_query("pytest", mode="phrase")
omega_query(mode="browse", browse_by="type")

ヒント: 作業開始前に照会しましょう。過去の決定事項と教訓は時間を節約し、ミスの繰り返しを防げます。

セッション管理

omega_welcome(project?) — セッション開始時に呼び出します。最近のコンテキスト、アクティブなリマインダー、プロジェクト状態を返します。エージェントが前回の続きを自動的に再開できるしくみです。

omega_checkpoint() — セッション中に現在のタスク状態を保存します。セッションが予期せず終了した場合、次の omega_welcome がこのコンテキストを復元します。

omega_resume_task(task_id) — 以前にチェックポイントしたタスクを完全なコンテキストで再開します。

メモリのメンテナンス

omega_reflect() — メモリの品質を分析します: 重複、矛盾、カバレッジ不足。

omega_maintain(action) — メンテナンス操作を実行します: 統合、圧縮、ヘルスチェック。

検索アーキテクチャ

OMEGA の照会パイプラインは、最も関連するメモリを見つけるために 7 つのフェーズを実行します:

1. ベクトル類似度 — エンベディング検索 (bge-small-en-v1.5、384 次元) via sqlite-vec
2. 全文検索 — FTS5 と BM25 スコアリング
3. 強力なシグナルの短絡判定 — FTS5 が完全一致を見つけたとき、コストの高いフェーズをスキップ
4. スコア融合 — 相互ランク融合がベクトルとテキストスコアを組み合わせる
5. コンテキストブースティング — 現在のファイル、プロジェクト、タグにマッチする結果をブースト
6. クロスエンコーダーリランキング — ms-marco-MiniLM-L-6-v2 が上位候補を再スコア化
7. アセンブリ — 重複排除、正規化、最小関連度閾値を適用

このハイブリッドアプローチは LongMemEval (500 問ベンチマーク) で 95.4% を達成します。

ベストプラクティス

保存すべき情報

• アーキテクチャ決定とその理由 (「X を選んだ理由は Y」)
• 発見に努力を要したデバッグの洞察
• ユーザーが明確に述べた設定 (「常に〜を使う」 / 「〜は使わない」)
• 将来のセッションが必要とするセッション間コンテキスト

保存してはいけない情報

• コードベースに既に存在する情報 (コードを読む代わりに)
• 一時的な状態 (ビルド出力、テスト結果)
• 意味のある 1 文より短い内容
• 単一ファイルの読み取りから得た推測的な結論

機能する照会パターン

• タスク開始前: omega_query("prior decisions about [feature area]")
• ファイル修正前: omega_query(context_file="/path/to/file.py")
• デバッグ後: omega_store("[根本原因と修正方法]", "lesson_learned")
• ユーザーが「覚えておいて」と言ったとき: omega_store("[ユーザーが言ったこと]", "user_preference")

アンチパターン

避けるべき	代わりにすること
すべてのツール結果を保存する	洞察と決定事項だけを保存する
単語で照会する	自然言語の質問を使う
セッション開始時に omega_welcome をスキップする	常に呼び出す — 重要なコンテキストが読み込まれます
event_type なしで保存する	常にタイプを指定する (適切な TTL と重複排除のため)
古いメモリから推測する	OMEGA に照会して現在の状態を確認する

内部動作

• ストレージ: WAL モード付き SQLite。単一ファイルは ~/.omega/omega.db。
• エンベディング: ONNX Runtime 経由の bge-small-en-v1.5 (~90MB RAM)。LRU キャッシュ (512 エントリ)。
• ベクトル検索: ANN 類似度検索用 sqlite-vec 拡張。
• テキスト検索: BM25 ランキング付き FTS5。
• 重複排除: Jaccard 類似度とタイプごとの閾値 (0.70-0.90)。コンテンツレベルとエンベディングレベル。
• メモリの進化: 類似したメモリは重複を作成する代わりに統合されます (Zettelkasten スタイル)。
• TTL: イベントタイプに基づく自動有効期限。設定は永続、その他は 7-90 日。
• プライバシー: すべてローカルに保存されます。クラウドなし、テレメトリーなし。Apache-2.0 ライセンス。

リンク

• PyPI: omega-memory
• GitHub: omega-memory/omega-memory
• ドキュメント: omegamax.co/docs
• ベンチマーク: omegamax.co/benchmarks