← 2026-07-13 の一覧へ戻るホーム
Show HN: MCP 用 AI アシスタント向け永続記憶を実現する適応的回想起

2026/07/13 6:08

Show HN: MCP 用 AI アシスタント向け永続記憶を実現する適応的回想起

RSS: https://news.ycombinator.com/rss

元のHacker News記事へ ↗
要約▶

日本語翻訳:

核心となる画期的成果は、AI Apps API から提供される動的記憶システム「Adaptive Recall」であり、静的データを保存するのではなく、継続的に進化します。ベクトル埋め込みと ACT-R モデリングなど認知科学の原則を組み合わせることで、この技術は人間の記憶サイクルを模倣し、実際の使用頻度に基づく証拠や裏付けとなる信頼度に基づいて情報を増減させる仕組みを実現します。このアプローチでは、ハルシネーションを防ぐためにユーザーの実際の実行履歴に対して検証される 4 つの並列的な方法—including ベクトル類似度、時間的近さ（temporal recency）、完全テキストキーワード検索、および知識グラフのトラバーサル—を通じて高品質な検索を実現します。この技術が革新的なのは、その自動的な自己改善ループにあります。すべてのインタラクションは好奇心に基づくメカニズムを通じてモデルを精査し、知識のギャップを検出するとともに、自己検証機能を可能にします。最も優れている点は、クレジットカードなしで 500 の記憶容量を含む無料枠を通じて開発者が即座にこれらの高度な機能をアクセスできるところです。標準的な REST プロトコル、Claude Code 用の MCP、その他の CLI ツールを Bearer トークン認証で利用可能なシームレスな統合オプションを提供する Adaptive Recall は、堅固なデータ保存から真に適応的なデジタルアシスタントへという大幅な転換をもたらす、ユーザーからの学習を積極的に行うインテリジェントアプリケーションの構築へのアクセス可能な経路を提供します。

本文

出願中の特許：Adaptive Recall

メモリ API を通じて記憶を実現し、認知科学と機械学習を組み合わせた独自のシステムを提供します。

従来型メモリとの比較

標準的なメモリ API の限界

  • 機能: ベクター埋め込みによるテキスト格納、コサイン類似度検索、メタデータフィルタリングのみ
  • 欠点:
    • 単一の想起戦略に依存
    • 静的な結果（学習機能なし）
    • 品質監視の不在
    • 記憶が進化しない
    • ナレッジグラフの非対応

Adaptive Recall の特徴

  • 高度な検索戦略: 4 つの戦略が並行して実行され、想起品質を最大化します。
  • 認知科学的アプローチ: 30 年以上の研究に基づく ACT-R（Activation of Construction-Integration Theory） を採用し、認知スコアリングを実現。
  • 自動的な知識構築: ナレッジグラフの自動生成と、つながりを介した関連情報の発見が可能。
  • 動的記憶管理:
    • 信頼度の変化に伴う記憶ライフサイクルの実装
    • 裏付けとなる証拠に基づいたパラメータ学習
    • 想起品質の自己検証機能
  • 自己改善型システム: ユーザーの使用パターンから機械学習を訓練し、好奇心驱动のギャップ検出（知識欠如の発見） を行います。

主要な機能詳細

Adaptive Retrieval（適応的検索）

4 つの検索戦略がクエリに合わせて自動的に最適化されます：

  • ベクター類似度
  • 時間的近接性
  • フルテキストキーワード
  • ナレッジグラフのトラバース

システムは、各タイプのクエリに対してどの戦略を優先すべきかを学習します。

Cognitive Scoring（認知スコアリング）

ACT-R の活性化モデルを用いて結果をランク付けし、以下の要素を総合して優先度を決めます：

  • 近接性
  • アクセス頻度
  • エンティティ間の接続関係
  • 検証された信頼度

Memory Lifecycle（記憶ライフサイクル）

記憶は静的なデータではなく、以下の過程を経て変化します：

  • 信頼度の向上: 裏付けとなる証拠に基づいて強化される
  • 信頼度の低下: 証拠が不十分になる場合に行われる
  • 忘却: もはやアクセスされない記憶は自然に忘却されます

Self-Improving System（自己改善型システム）

使用するほど性能が向上する自律的なシステムです：

  • ユーザーの使用データから機械学習モデルを訓練
  • パラメータ変更を実際のクエリ履歴と照合して検証
  • 想起品質を常時監視

Simple API（シンプルな API）

8 つのツールを提供し、あらゆる環境で柔軟に利用可能です：

  1. 格納 (store)
  2. 想起 (recall)
  3. 更新 (update)
  4. 忘却 (forget)
  5. グラフ操作 (graph)
  6. ステータス確認 (status)
  7. スナップショット (snapshot)
  8. フィードバック (feedback)
  • 互換性: CLI ツール（例：Claude Code/MCP プロトコル）対応、プレーンな HTTP REST API 対応
  • セキュリティ・形式: Bearer トークン認証採用、JSON 入出力対応

アクセス方法

今すぐ無料で開発を開始できます。

# サインアップ手順
1. 無料でアカウントを作成（クレジットカード不要）
2. 最初の 500 件の記憶まで無料利用可能

Adaptive Recall は、AI Apps API という会社によって構築・維持されています。同社はカスタムエージェントシステムを含む多数の AI ツールを展開する企業です。

同じ日のほかのニュース

一覧に戻る →

2026/07/13 6:12

Chromium 148 より*Math.tanh*は下位の OS を特定するフィンガープリントとして使用可能になった

## 日本語翻訳: Chrome バージョン 148 以降、Chrome や同様のブラウザは特定の数学的な挙動を通じて正確なオペレーティングシステムの詳細を漏らし、高度なデジタルフィンガープリンティングを可能にしています。これはまず `Math.tanh` 関数から始まり、bundled routines からホストライブラリへと切り替わったことで、macOS、Windows、Linux のユーザーが使用しているか否かに基づいて小数点以下最終桁が 1 ユニット異なる独自のプロファイル（OS シグネチャ）が作成され、他の V8 数学関数とは異なりプラットフォーム間で同一ではなくあります。また、すべての CSS 三角関数はホスト libm を直接呼び出すことで OS を漏らします。macOS Apple Silicon では、スカラーおよびベクトルフレームワーク間のアーキテクチャ固有の分断により計算に著しい乖離が生じます。Scrapfly はこれらの問題に対処するため、数学的ビットごとの再現を含め、Linux のなりすまし用の真正な Windows ライブラリのマッピングや特定の ARM/x86 FMA（fused-multiply-add）挙動の処理を含む特別ソリューションを開発しました。彼らの Scrapium ブラウザはこれらの OS シグネチャを真正的なシステムと完全に一致するようになりすまえ、同時に最適な速度のためにハードウェア FMA を能動的に有効化します（ネイティブエミュレーションより最大約 6 倍高速）。高度なマッピング技術および数十万もの入力を対象とした厳格な検証を通じて、ユーザーは微妙な数学的な丸めエラーや将来のアップデートにおけるアーキテクチャの癖に基づく識別を防止する同時期にネイティブレベルのパフォーマンスで完全なステルスを実現します。

2026/07/13 5:23

小さなエミュレータ

## Japanese Translation: このテキストは、収集家のためのプラットフォーム間での即時的な互換性を優先しつつ、コモドール C64、ZX Spectrum（48k/128）、Amstrad CPC（CPC464/6128）、Acorn Atom、Z1013 などのレトロコンピュータシステムおよびそれらの対応ソフトウェアの包括的な目録です。具体的には、『Boulderdash』『Ghost's'n'Goblins』『Rick Dangerous』『Prince of Persia』のようなアクションゲームや、『Tetris』『Pengo』『Sokoban』のようなパズルゲームにわたる特定のタイトルを対象とし、ローディング時の独自の要件（例：BASIC 環境では「Enter」キーを押す、Spectrum タイトル『Cyclone』『Great Escape』では特定のジョイスティック種類[Kempston]を選択する、特定のインターフェースでは「F1」「SPACE」キーを押すなど）を詳述しています。また、本ガイドでは Arkos/Overlanders、Batman Group、Plush、Offence、Oxyron、Proxima、Dekadence などの著名なデベロッパーに帰属する様々なデモとインターフェースを列挙しています。さらに、特定のコントローラーや RAM モジュールなどといったハードウェアの制約を明示することで、今日広く利用可能な膨大なソフトウェアライブラリがどの機械構成で実行可能かをはっきりさせます。これは『Visual 6502 Remix』から『Wunderbar』『Batman Forever』などの特殊なデモにいたるまで、すべてのソフトウェアを網羅しています。最終的には、古いハードウェア上で何が達成可能かについてユーザーが正確に知ることを保証し、余計な詳細を含めない実用的な参考文献として機能します。

2026/07/13 3:25

Claude Code はプロンプトを読み込むまでに約3万トークンを消費し、OpenCodeは7,000 トークンである。

## Japanese Translation: 主要な知見は、セッションの段階と設定の複雑性に 따라 Claude Code と OpenCode の間でのトークン使用ダイナミクスが著しく異なることを示しています。標準的な設定において、Claude Code は非効率的なシステムプロンプト、キャッシュ管理のために数万のトークンを再記述し、堅牢なフレームワークテンプレートにより引き起こされる大規模な初期オーバーヘッド（約 33,000 トークン）を被る一方、OpenCode の床は低い（約 7,000 トークン）ため、大きな差を生じています。ただし、Fable 5 のような新しいモデルではこの隙間が縮小します。特に、複雑な本番環境設定においては、OpenCode 自身のツール呼び出しのシリアライゼーションとスキーマサイズによる影響で、最初のリクエストでより高いトークン負荷（Claude の約 75,000 トークンに対し、約 90,817 トークン）を被り、その後のリクエストで安定化するまで要請されます。新しいモデルは命令セットのサイズを削減しますが（例：27k から 10k クラクターへ）、特定のコストドライバーは残っています：対話履歴と乗算される延長された思考ブロック、「フレームワーク税」として作用する大規模な静的フレームワークテンプレート（例：AGENTS.md）、およびバーストコストを増幅するサブエージェントのファンアウト構造。さらに、本研究では EU AI Act のログ記録要件への準拠を確保し完全性を保証するために、キャッシュの書き込みと課金構造の違い（例：キャッシュされた読み取り対課金されるプレミアム書き込み）を検証できるよう、185 件のレコードを捕捉した SHA-256 ハッシュ連鎖監査軌跡を利用しました。 ## Text to translate: The primary findings indicate that token usage dynamics vary significantly between Claude Code and OpenCode depending on the session stage and configuration complexity. While Claude Code incurs a massive initial overhead (~33,000 tokens) compared to OpenCode's low floor (~7,000 tokens) in standard setups—driven by inefficient system prompts, rewriting tens of thousands of tokens for cache management, and rigid framework templates—this gap narrows with newer models like Fable 5. Notably, in complex production configurations, OpenCode's first request can incur a higher token load (~90,817 tokens vs. ~75,000 for Claude) due to its own serialization of tool calls and schema sizes before stabilizing on subsequent requests. While newer models reduce instruction set sizes (e.g., from 27k to 10k characters), specific cost drivers remain: extended thinking blocks that compound with conversation history, large static framework templates (e.g., AGENTS.md) that act as a "framework tax," and subagent fan-out structures that multiply bootstrap costs. Additionally, the study utilized a SHA-256 hash-chained audit trail capturing 185 records to ensure integrity and support compliance with EU AI Act logging requirements, verifying that both architectures handle cache writes and billing structures differently (e.g., cached reads vs. billed premium writes).