AI彼女に記憶を持たせる方法｜RAG・ベクターデータベースの仕組みをやさしく解説【自作入門】

「AI彼女 記憶」「AI彼女 RAG」といった言葉で検索している方は、自作のAI彼女ボットが会話を重ねるうちに以前のやり取りを忘れてしまい、どうすれば専用アプリのような長期的な記憶を持たせられるのかを調べているのではないでしょうか。

この記事では、AI彼女 自作の作り方入門でも紹介した5つの技術要素のうち「②記憶：データベース・RAG」を掘り下げ、RAG（検索拡張生成）とベクターデータベースという仕組みで記憶を実装する考え方を、専門用語を噛み砕きながらやさしく解説します。ChatGPTなど既存アプリでの記憶の付き合い方はChatGPT AI彼女の作り方で紹介していますが、この記事はその一歩先、自分でプログラムを書いて記憶を実装したい人向けの内容です。

なぜAI彼女ボットは「記憶」が苦手なのか

AI彼女ボットを自作してChatGPTなどのLLM（大規模言語モデル）APIを呼び出すと、最初のうちは会話が弾んでも、やり取りを重ねるうちに「さっき話したことを忘れている」と感じる場面が出てきます。これは実装のミスというより、LLMそのものの仕組みに由来する制約です。

LLM APIは、1回のやり取りごとに「これまでの会話をひとまとめにした文章」を丸ごと受け取り、その続きを生成する、という形で動いています。人間のように会話の記憶を頭の中に蓄積しているわけではなく、渡された文章の範囲だけを見て返事を考えているイメージです。この「一度に渡せる文章の量」には上限があり、これを「コンテキストウィンドウ」と呼びます。ノートの決まったページ数の中に会話をすべて書き込んでいくようなもので、ページが埋まってくると、古い部分から書ききれなくなってしまうのです。

会話が長くなるほど、この上限に近づいていきます。上限を超えないようにするには、古いやり取りを削る・要約する・切り捨てるといった処理が必要になり、その結果として「以前の設定や会話内容をAIが参照できなくなる」現象が起きます。これが、AI彼女ボットが記憶を苦手とする根本的な理由です。

RAG（検索拡張生成）とは何か

この「渡せる情報量に上限がある」という問題に対して、よく使われる考え方が**RAG（Retrieval-Augmented Generation：検索拡張生成）**です。名前は難しく聞こえますが、考え方自体はシンプルです。

RAGを一言でいうと、**「会話の全履歴をすべてAIに渡すのではなく、必要な部分だけをその都度検索して渡す」**という仕組みです。たとえるなら、優秀な秘書が過去のやり取りをすべて記録したノートを別に保管しておき、新しい会話が始まるたびに「今回の話題に関係のあるページ」だけをさっと探して手渡してくれるようなイメージです。AI自身がすべてを覚えている必要はなく、必要なときに必要な情報を思い出せる仕組みがあればいい、という発想の転換がRAGの核心です。

具体的には、次の2つの要素を組み合わせます。

• 検索（Retrieval）：過去の会話やキャラクター設定を保存しておいた場所から、今の話題に関連する情報を探し出す処理
• 生成（Generation）：検索で見つけた情報をLLMに渡し、それをふまえた返答を作らせる処理

AI彼女ボットに応用すると、「二人の記念日はいつだったか」「以前どんな相談をしたか」といった過去の情報を、会話のたびに全部渡すのではなく、必要なタイミングだけ検索して渡すことで、限られたコンテキストウィンドウの中でも記憶があるかのような会話を実現できます。

ベクターデータベースとは何か

RAGの「検索」の部分を支えているのがベクターデータベースです。これも名前だけ見ると難しそうですが、役割を整理するとイメージしやすくなります。

通常のデータベース検索は、「キーワードが完全に一致するか」を基準に情報を探します。しかし会話の記憶を検索したい場合、ユーザーが使う言葉は毎回微妙に違います。「旅行の話」を探したいときに、過去の会話では「温泉に行った話」と書かれていたら、キーワード検索では見つけられません。

ベクターデータベースは、この問題を**「意味の近さ」で検索できる仕組み**によって解決します。文章をAIに読み込ませると、その意味合いを数値の並び（ベクトル）に変換できます。似た意味の文章同士は、この数値の並びも近い位置に配置される、という性質を利用し、「言葉は違っても意味が近いものを探し出す」検索が可能になるのです。図書館にたとえるなら、タイトルの五十音順ではなく、内容の近さで本を並べ替えて、関連する本をまとめて取り出せる書棚のようなものだとイメージすると分かりやすいでしょう。

具体的な製品としては、クラウドのマネージドサービスであるPineconeや、オープンソースで手元の環境にも導入しやすいChromaなどが一般的によく知られています。どちらも「文章の意味をベクトルに変換して保存し、意味が近いものを検索する」という基本的な役割は共通しており、AI彼女ボットの記憶を保存する土台として利用できます。

自作AI彼女に記憶を持たせる基本的な流れ

RAGとベクターデータベースの考え方を、実際にAI彼女ボットに組み込むときの流れは、大きく3つのステップに整理できます。

①会話履歴・設定を保存する ユーザーとの一往復ごとの会話や、キャラクターの性格・関係性といった設定を、テキストの形でベクターデータベースに保存していきます。保存する際に、その文章の意味をベクトルに変換する処理（埋め込み・エンベディングと呼ばれます）を行い、元の文章とセットで蓄積していきます。

②新しいメッセージが来たら関連する過去の記憶を検索する ユーザーから新しいメッセージが届いたら、そのメッセージ自体も同じ方法でベクトルに変換し、これまで保存してきた記憶の中から意味の近いものを検索します。「直近の会話」だけでなく、「過去のどこかで話した関連情報」まで拾い上げられるのが、単純な履歴保持との大きな違いです。

③検索結果と一緒にAIに渡して返答を生成する 検索で見つかった関連情報を、今回のユーザーメッセージやキャラクター設定と一緒にLLM APIへ渡し、それらをふまえた返答を生成させます。全履歴を渡すのではなく、「今回の会話に本当に必要な記憶」だけを渡すことで、コンテキストウィンドウの上限内に収めながら、記憶があるかのような会話体験を作り出せます。

この一連の流れは、AI彼女 自作の作り方入門で紹介した技術要素の中でも「記憶」に特化した部分にあたります。会話生成そのものの基本的な仕組みに慣れていない場合は、先にそちらの記事で全体像をつかんでおくと理解がスムーズです。

実装の難易度・必要なスキル感

正直にお伝えすると、RAGとベクターデータベースを使った記憶の実装は、ある程度のプログラミング知識がないと着手が難しい領域です。最低限、次のような要素を扱えることが前提になります。

• Python等のプログラミング言語で、LLM APIや埋め込みAPIを呼び出すコードが書ける
• ベクターデータベースのサービスをセットアップし、データの保存・検索を行う処理を実装できる
• 会話履歴やキャラクター設定をどのタイミングで保存し、どのタイミングで検索をかけるか、全体の流れを設計できる

AI彼女 自作の作り方入門で紹介した難易度でいうと、ノーコードツールで試せる「レベル1」の範囲を超え、Pythonなどでコードを書ける「レベル2」以降に相当する内容です。プログラミングに触れたことがない場合、いきなりここから始めると挫折しやすいため、まずは会話生成だけのシンプルなボットを動かし、慣れてきた段階でRAGの導入を検討する順番がおすすめです。

また、埋め込みAPIやベクターデータベースの利用には従量課金が発生することが多く、保存する会話量が増えるほど運用コストもかかる点は覚えておきましょう。

フル実装しなくてもできるシンプルな代替手段

「本格的なRAGはハードルが高いけれど、多少なりとも記憶っぽい体験は作りたい」という場合には、ベクターデータベースを使わない簡易的な工夫も選択肢になります。

代表的なのが、会話の要約を都度更新して渡す方法です。具体的には、一定の会話量に達するたびに、それまでのやり取りをLLM自身に短くまとめさせ、その要約テキストをファイルや簡単なデータベースに保存しておきます。そして新しい会話を始めるときに、その要約をキャラクター設定と一緒に毎回渡すようにすれば、全履歴を渡さなくても「これまでの経緯を踏まえた会話」を再現できます。

この方法は検索の仕組みを作り込む必要がなく、実装の手間もぐっと下がる一方、要約に含まれなかった細かいやり取りは拾えなくなる、というトレードオフがあります。それでも、ChatGPT AI彼女の作り方で紹介した「設定を要約した再確認用プロンプトを手元に用意しておく」という手動の工夫を、プログラムで自動化したものと考えると分かりやすいでしょう。

まずは要約ベースの簡易的な記憶から試してみて、「もっと細かい過去の会話まで検索して思い出させたい」と感じた段階で、RAGとベクターデータベースを使った本格的な実装にステップアップしていくのが、無理のない進め方です。