ライブラリ

ライブラリは、あなたのファイルが使える知識になる場所です。

これは、そのままの形で保っておくべきソース資料のためのものです。 PDF、レポート、スプレッドシート、スライド資料、markdownノート、コードなどが含まれます。 Memはそれらを解析し、インデックス化し、孤立した添付ファイルとしてではなく、あなたのメモリと一緒に機能するようにします。

40ページのアーキテクチャレビューをライブラリにドロップします。 タイムラインでこう尋ねてください。「このレビューはAPIレート制限について何と言っていますか?」 回答は、そのドキュメントの12ページ目と、3か月前に保存したRedisの決定を引用します。 あなたのドキュメントとメモリが一緒に検索されます。

ライブラリは、PDF、スプレッドシート、Wordファイル、プレゼンテーション、コード、その他の形式を保存します。 コンテンツは解析され、検索可能なセグメントに分割され、インデックス化されます。 ドキュメントが 検索可能 になると、あなたがすでに考えを巡らせているあらゆる場所に表示されます。

• AI Now: ファイルを名前、トピック、または質問で尋ねられます。 AI Nowはライブラリを検索し、一致する箇所を読み、あなたのメモリと一緒にそれらを引用します。
• タイムラインフィードエージェント: 会話をメモリに変える組み込みのバックグラウンドエージェントは、スレッドがライブラリのドキュメントを参照しているとき、そのドキュメントにもアクセスできるようになりました。
• グラフインテリジェンスエージェント: グラフを探索するとき、ソースノードを直接検索して読むことができるため、関連するメモリのクラスタから、キャンバスを離れることなくその基になるドキュメントへ移動できます。
• MCP経由で接続されたAIツール: Claude Code、Cursor、その他のMCP対応クライアントは、query_sources、read_source_content、search_source_chunks、analyze_source_dataを呼び出して、回答を実際のファイルに根拠づけることができます。
• nmem CLI: ターミナルやスクリプトのワークフローでは、nmem sources search、read、search-chunks、analyzeを使ってライブラリを検索、読み取り、分析できます。 CLIリファレンスをご覧ください。

ライブラリをwikiとして読む

v0.8では、ライブラリはwikiとしても読めます。 あなたが集めてきたメモリ、ソース、Crystalが、トピックページ、エンティティページ、crystalページとして表示され、相互リンクされているので、クリックしてたどっていけます。

ライブラリ内のWikiタブに切り替えると、あなたの知識がトピックごとにグループ化されて表示されます。 各カードには、そのクラスタで最もよく議論されている概念と、それらを要約するいくつかのCrystalが一覧表示されます。 カードをクリックするとそのトピックページが開き、エンティティをクリックするとそのwikiエントリが開き、Crystal内の[[Entity]]チップをクリックするとさらに読み進められます。

読んでいて本当の疑問が浮かんだら、任意のwikiページでInvestigateをクリックしてください。 ナレッジグラフが、すでに適切なものが選択された状態で開きます。 エンティティページまたはcrystalページでは単一ノード、トピックページではクラスタ全体です。 そこから、パンしたり、隣接ノードを展開したり、選択をグラフインテリジェンスエージェントに渡して、実際に何が起きているのかを尋ねたりできます。

基になるモデル(システムがあなたのために維持するもの、あなたが管理し続けるもの)については、LLM Wikiの概念ページをご覧ください。

Wikiのエクスポート

Wikiタブには、そのタブ行にダウンロードボタンがあります。 クリックして形式を選んでください。

どちらも ナレッジグラフ全体 をエクスポートします。 トピック、エンティティ、crystal、タイプ別にグループ化されたあなたのメモリ(memories/decision/、memories/procedure/、その他)、エージェントが生成したレポートやブログの下書き、あなたのアクティブなスキル、ラベルインデックスが含まれます。 違いはflavorだけです。

• Markdown wikiはObsidianスタイルのフォルダで、Mem内で見るのと同じ[[wikilinks]]で相互リンクされています。 Obsidian、Logseq、その他のmarkdownリーダーで直接開けます。
• OKFバンドル は、Open Knowledge Formatのベンダー中立版です。 これは知識をmarkdownファイルとして扱うためのオープンな仕様です。 wikilinkではなく標準のmarkdownパスでリンクし、仕様のfrontmatterに従い、OKF参照ツールで検証できます。 相互運用可能なコピーが欲しいとき、またはOKFを読む別のツールにあなたの知識を渡したいときに選んでください。

どちらも、どのリーダーでも開けるプレーンなmarkdownなので、選択の違いはリンクスタイルとfrontmatterだけです。 新しいコピーが欲しいときはいつでも再エクスポートしてください。 エクスポートはスナップショットであり、同期先ではありません。 Memの外で行った編集は自動的に戻ってきません。

OKF形式と、エクスポートがそれにどう対応するかについて詳しくは、Open Knowledge Format (OKF)をご覧ください。

最初の役に立つドキュメント

初めての方は、実際に大切にしているドキュメントを1つインポートしてください。 次に、それについて具体的な質問を1つタイムラインで尋ねてください。

これが中心となるループです。

• 実際のソースを1つ追加する
• 根拠のある質問を1つ尋ねる
• 回答がドキュメントと既存の知識の両方を使っているのを確認する

これで最初の証明としては十分です。 メモリ抽出は、この基本的なループがすでに役に立つと感じられるまで待ってかまいません。

対応形式

ドキュメントの追加

ファイルをタイムラインの入力欄にドラッグするか、ライブラリビューを使ってインポートしてください。 フォルダ全体をドラッグすることもできます。 中の対応ファイルはすべて自動的にインポートされます。

ドキュメントは処理パイプラインを通ります。

1. 解析: ファイル形式からコンテンツが抽出されます
2. セグメント化: 検索可能なチャンクに分割されます
3. インデックス化: ベクトル検索インデックスとキーワード検索インデックスの両方に追加されます

処理状況はライブラリビューで確認できます。 インデックス化されると、そのドキュメントは 検索可能 になり、会話、グローバル検索、接続されたAIツールで使えるようになります。

Webページの追加

公開URLをタイムラインまたはライブラリに貼り付けると、Memはまずローカルでそれを読もうとします。 多くの記事、ドキュメントページ、PDF、ブログでは、それだけで十分です。

一部のモダンなページは基本的な取得をブロックしたり、空のアプリシェルしか返さなかったりします。設定 → 処理 → 公開Webフォールバック を有効にすると、MemはそれらのページについてFirecrawlにクリーンな公開コンテンツを返すよう依頼できます。 これは任意であり、安全な公開URLにのみ適用されます。 MemはCookie、ブラウザセッション、サインイン済みページをFirecrawlに送信しません。

対応しているWeb AIチャットにはブラウザ拡張機能を使ってください。 ブラウザ制御が必要なページ(ログイン済みワークスペース、プライベートドキュメント、ペイウォール付きページ、ダッシュボード、あなただけが見られるものなど)には、Chrome、Edge、Arc、その他のChromiumブラウザでBrowse Nowを使ってください。

スキャンされたPDFについては、Memはまず通常のインポートを完了させ、アプリの応答性を保ちます。 ページにテキストレイヤーがない場合、Memはバックグラウンドで有効なVisionモデルを使ってスキャンテキストを読み取り、ドキュメントに戻すことができます。

Visionは、設定 → プロバイダー → Visionで別のモデルを選ばない限り、あなたの デフォルト プロバイダーを使います。 有効なVisionモデルが画像入力に対応していることを確認してください。 対応していない場合、またはバックグラウンドの予算に達した場合、ライブラリは作業を一時停止し、次に何をすべきかを表示します。 モデルを設定したら、ソースに戻って 続行 をクリックしてください。

検索可能、Study、メモリ抽出

ライブラリには3つの異なるアクションがあります。

タイムラインでファイルについて尋ねると、そのコンテンツが直接読まれます。 AIとファイルをStudyすると、何が重要かを判断する助けになります。 メモリを抽出すると、選択した知識が永続的なグラフに裏付けられたメモリになります。

メモリ抽出が生み出すもの

ソースからメモリを抽出すると、AIはコンテンツを分析し(スプレッドシートでは統計を計算し、ドキュメントではテキストを読み)、次を作成します。

• メモリ: ドキュメントごとに2〜5以上の原子的な洞察(決定、事実、手順)。 それぞれが単独で検索可能です
• グラフ接続: 既存の関連メモリへのリンク。 気づかなかったかもしれない関係を浮かび上がらせます
• Crystal: 3つ以上のメモリがトピックの周りに集まると、統合されたcrystalが作られます
• 矛盾の検出: 既存の知識との衝突をフラグします(例: 以前の決定を覆す新しいポリシー)

メモリ抽出はAIの処理時間を使います。 結果の件数は完了後にパイプラインインジケーターに表示されます(例: 「メモリ (5)」)。

ドキュメントの検索

ドキュメントはメモリと一緒に検索されます。「Q4レポートはチャーンについて何と言っていますか?」 のようなタイムラインの質問は、保存されたメモリと、一致するインポート済みドキュメントの両方を検索します。

ライブラリビューでは、ステータス(検索可能、メモリあり、古い、エラー)でフィルタリングし、処理状態でソースを見つけられます。 検索可能のみのドキュメントは正常です。 長く残るメモリが欲しいときに抽出を選んでください。

顧客、プロジェクト、社内ワークフロー向けに多くのドキュメントを管理している場合は、インポート時にラベルやソースメタデータを追加してください。 するとAPI、MCP、CLIの検索で、結果をランク付けする前にライブラリを絞り込めます。 例えば:

nmem sources search "renewal terms" --label customer-acme --metadata purpose=contract-review
nmem sources list --metadata material_type=case-study

広いくくりには、人が認識しやすいラベルを使ってください。 スクリプトや連携がすでに知っているフィールドには、customer、project、material_type、purposeなどのメタデータを使ってください。

ドキュメントとチャットする

タイムラインで任意のドキュメントについて直接質問してください。 回答はドキュメントとあなたのメモリの両方から引き出され、特定のページを引用します。

「このアーキテクチャレビューはAPIレート制限について何と言っていますか?」 は、そのドキュメントの12ページ目と、3か月前のあなたのRedisの決定を参照する回答を返します。

一括アクション

ライブラリビューで複数のドキュメントを選択して、次を行えます。

• AI Nowに送る: ドキュメント横断の分析のため。 レポートを比較したり、調査結果を統合したり、複数のドキュメントにまたがる質問をしたりできます
• メモリを抽出: まだメモリがないソースを選択し、「メモリを抽出 (N)」をクリックしてまとめて処理します。 すでにメモリがあるソースでは、ボタンは「再分析 (N)」と表示され、抽出済みの知識を更新します

ドキュメント、メモリ、スレッド

3種類のコンテンツがあり、それぞれに目的があります。

ドキュメントとスレッドはソースです。 メモリは蒸留された知識です。 ドキュメントまたはスレッドからメモリを抽出すると、個々の洞察がメモリとして保存され、ナレッジグラフに接続されます。 元のものはソースとしてライブラリまたはスレッドビューに残ります。

次のステップ

• はじめに: タイムラインと知識を追加するすべての方法
• バックグラウンドインテリジェンス: インポートされた知識がどのようにあなたのグラフに接続されるか
• 検索と関連性: 検索がメモリとドキュメントをまたいで結果をどのようにランク付けするか