RAG / エージェント → AIメモリとツールスタック(分析とツール関連の動向)

長文の投稿では、RAG、エージェンティックRAG、AIメモリを三つの段階に分けています。RAG(2020-2023)は一回限りの読み取り検索であり、エージェンティックRAGはエージェントが検索の必要性を判断し、データソースを選択し、結果を検証しますが、依然として読み取り専用です。AIメモリは外部知識の読み書きが可能で、対話から学び、ユーザーの好みを記憶し、個別化と継続的な学習を実現しますが、記憶の損傷、忘却戦略、さまざまな記憶タイプの管理といった課題も伴います。投稿では、リアルタイム知識グラフ構築のためのオープンソースフレームワークGraphitiが推奨されています。また、関連する二つの動向も報告されています。一人が販売サービスで100件の契約を達成し、10ドルでNotebookLM + 11 Labs + Geminiの組み合わせを取得し、vvipグループを設立したと主張しています。もう一つの投稿では、新たに6人の社員を採用し、ツールの役割分担(Nano Banana Pro、Lovart、Gemini3 Pro、Claude Code、飛書多次元表、閃電説)を示しています。
Key insights
RAGは読み取り専用で一回限りの検索モデル段階
長文の投稿では、RAG(2020-2023)を情報を一度だけ検索し、応答を生成するメカニズムとして定義し、RAGには意思決定能力がなく、単に情報を抽出して回答するものであり、しばしば無関係な情報を検索する問題があることを強調しています。この段階は読み取り専用で一回限りであり、インタラクションから知識を蓄積することはできません。
エージェンティックRAGは検索決定においてより積極的だが依然として読み取り専用
著者は、エージェンティックRAGのエージェントが検索の必要性を判断し、データソースを選択し、結果を検証することを指摘しており、これにより検索に意思決定プロセスが導入されますが、核心的な制約は依然としてシステムが読み取り専用であり、インタラクションを通じて新しい情報を記憶したり書き戻したりすることができず、したがって継続的な学習を実現できないという点です。
AIメモリは読み書き能力を実現し、個別化と継続的学習を支援
投稿では、AIメモリが外部知識の読み書きを可能にし、過去の対話から学び、ユーザーの好みや歴史的背景を記憶することで、真の個別化と継続的な改善を実現することが説明されています。著者は記憶を静的モデルと適応型AIシステムの橋渡しと見なし、記憶がエージェントに再訓練なしで徐々に改善することを可能にすることを強調しています。
記憶は新たなエンジニアリングと管理の課題を引き起こす
投稿では、記憶がもたらす問題として、記憶の損傷、何を忘れるかの決定、さまざまな記憶タイプ(手続き的、状況的、意味的)の管理などが列挙されており、これらの問題を根本から解決することは難しく、専門的なツールやフレームワークが必要であることが指摘されています。
市場とチームの動向はツールの組み合わせと商業化の傾向を示す
他の二つの投稿では、一人が100件の契約を達成したと発表し、10ドルでNotebookLM + 11 Labs + Geminiの組み合わせを取得し、vvipグループを設立したと主張しています(15388)。もう一つの投稿では、新たに6名の社員を採用し、ツールの役割分担を示しています。これにはNano Banana Pro、Lovart、Gemini3 Pro、Claude Code、飛書多次元表、閃電説が含まれ、チームが多様なツールスタックを実際に採用し、商業活動を行っていることを反映しています(15407)。