AIは記憶しない。ただ記録するだけだ。
ファイルは存在するが、記憶は存在しない
大規模プロジェクトをAIコーディングエージェントに任せたことがある人なら知っているだろう。
最初のタスクは見事にこなす。 二番目もまだ大丈夫。 ファイルが約20個たまると、奇妙なことが起こる。
エージェントが昨日自分で作ったファイルを見つけられない。
$ find . -name "*.md" | head -20
$ grep -r "cache" ./docs/
$ cat ./architecture/overview.md # 「これじゃない」
$ cat ./design/system.md # 「これでもない」
$ grep -r "cache strategy" . # 「あった、ここだ」
ファイルは確かに存在する。エージェント自身が書いたものだ。 なのに何がどこにあるか全くわからない。
これはバグではない。 記録はしたが、記憶を構造化しなかったのだ。
人間の長期記憶もまったく同じ
驚くべきことに、このパターンは人間の長期記憶と構造的に同一である。
あなたの脳は数十年分の経験を保持している。 昨日のランチに何を食べたか、小学3年の担任の名前、 2019年に読んだ本のあの印象的な一文。
すべてどこかに格納されている。 しかし取り出そうとすると？
「あれ…何だっけ…カフェで読んでたのは覚えてるんだけど…」
手がかりを手探りする。関連する記憶がついてくる。無関係な記憶も割り込む。 見つからないこともある。予期せず突然浮かぶこともある。
AIコーディングエージェントの grep は、人間の「何だっけ…」という体験と構造的に同一である。
情報は格納されている。検索がめちゃくちゃなのだ。
問題は格納ではなく検索
この点は正確に述べなければならない。
今日のAIは記録能力が不足しているわけではない。 LLMは上手に書く。美しく構造化されたmarkdownドキュメントを生成する。 コードを生成し、要約を書き、分析レポートを作成する。
格納はすでに解決済みの問題だ。
未解決なのは検索である。
ファイルが100個たまったとき、 「3週間前に議論したキャッシュ戦略はどこだ？」に即座に答えられるAIは現存しない。
あらゆるAIシステムがこの問題を同じ方法で「解決」する。 すべてを読み返す。またはキーワードで検索する。
100万冊の本があるのにカード目録がない図書館のようなものだ。 質問のたびに、司書が棚を端から端まで見て回る。
一歩：構造化ファイルマップ
解決策は遠くにあるのではない。一歩だけだ。
一つの .memory-map.md ファイル。
# メモリマップ
最終更新：2026-02-26
## アーキテクチャ
- architecture/cache-strategy.md：3段階推論キャッシュ設計 (1/28)
- architecture/wms-overview.md：WMS中央ハブ構造 (1/30)
## コードブック
- codebook/verb-sidx.md：13,000動詞のSIDXマッピング (1/29)
- codebook/entity-top100.md：トップエンティティ分類体系 (1/31)
## 意思決定
- decisions/2026-01-28.md：SIMD全数スキャン採用の根拠
- decisions/2026-01-31.md：Go AST概念実証を優先する決定
## 未解決課題
- open/query-generation.md：キャッシュ検索クエリ生成方法 未定
- open/entity-codebook-scale.md：1億エンティティマッピング戦略 未定
これだけだ。
タスクごとにこのマップに一行追加する。 次のタスクを始める前にこの一つのファイルを読む。
完了。
find は不要。grep も不要。
50個のファイルを探し回る代わりに、一つのマップだけで済む。
なぜこれだけで劇的な性能向上が生まれるのか?
AIコーディングエージェントがタスクに費やす時間を分解してみよう。
総タスク時間：100%
実際の思考と生成：30-40%
コンテキストの発見と探索：40-50%
エラー修正とリトライ：10-20%
中間の40-50%がカギだ。
「以前何をしたか把握する時間」が全体の半分を占めている。 プロジェクトが大きくなるにつれ、この割合は上昇する。 ファイルが200に達すると、探索が総時間の70%を超えることもある。
.memory-map.md はその40-50%をほぼ0%に減らす。
マップを読むのに1秒。 必要なファイルがどこにあるか即座にわかる。 すぐに作業を開始する。
探索時間がゼロに近づくと、エージェントはほぼすべての時間を 実際の思考と生成に充てることができる。
体感性能の劇的な向上は自然な帰結である。
人類はすでにこれを発明していた
これは新しいアイデアではない。 人類は何千年も前に同じ解決策を発明していた。
目次がまさにそれだ。
目次のない本を想像してみよう。 500ページの本で特定の内容を見つけるには、 1ページ目から読み始めなければならない。
目次があれば？ 「第3章第2節、87ページ」と見てそこに直接飛ぶ。
図書館のカード目録がまさにそれだ。
100万冊の本がある図書館で、 目録なしに欲しい本を見つけるのは不可能だ。
ファイルシステムのディレクトリ構造がまさにそれだ。
ハードドライブに100万のファイルがあっても、 フォルダ構造をたどれば欲しいものが見つかる。
目次。目録。ディレクトリ。 すべて同じ原理だ。
「中身はあちらにある。ここでは、何がどこにあるかだけを記す。」
人類の知識管理の最も基本的な原則。 なのに2026年の今、AIはこれをやっていない。
マップから知性へ
.memory-map.md は始まりにすぎない。
フラットなファイルリスト -> 階層分類 -> 意味リンキング -> グラフ。
この方向に一歩ずつ進むと何が起こるか。
段階1：ファイルリスト（今すぐ可能） 「cache-strategy.md はarchitectureフォルダにある。」 何がどこにあるかがわかる。
段階2：関係の記録 「cache-strategy.md は wms-overview.md に依存している。」 「この決定はあの議論から生まれた。」 ファイル間の関係がわかる。
段階3：意味索引 「推論効率に関連するすべてのドキュメントを見つけよ。」 キーワードではなく意味で検索する。
段階4：構造化知識グラフ すべての概念がノード、すべての関係がエッジ。 「キャッシュ戦略に影響するすべての設計決定の因果連鎖を示せ。」 これが可能になる。
段階1から段階4へ。
.memory-map.md からWMSへ。
フラットテキストから構造化知識ストリームへ。
すべて同じ旅路である。
これが核心原則だ
このアプローチの核心原則を再確認しよう。
「AIの推論過程は捨ててはならない——記録しなければならない。」
その文の背後には暗黙の系として：
「記録された推論は検索可能でなければならない。」
検索できない記録は、記録していないのと同じだ。
grep で手探りしなければ見つからない記憶は記憶ではない——ゴミ箱だ。
推論を構造化する理由、 意味整列ID体系を使う理由、 一回のビットマスクで関連知識を取り出す理由——
すべてこの一点に帰着する。
記録の問題ではなく、検索の問題だ。 格納の問題ではなく、構造の問題だ。
.memory-map.md はこの原則の最も原始的な実装だ。
そしてその原始的な実装ですら劇的な性能向上を生むなら、
この原則を極限まで推し進めたらどうなるか想像してほしい。
まとめ
AIの記憶問題は格納ではなく検索にある。
- 今日のAIはファイルを上手に書くが、自分が書いたファイルを見つけられない。
- これは人間の長期記憶の限界と構造的に同一である。
- 解決策は何千年も前に発明されていた：目次、目録、ディレクトリ。
- 一つの
.memory-map.mdでAIの実効性能は劇的に向上する。 - この原則を極限まで押し進めれば、構造化知識ストリームにたどり着く。
最も洗練されたAIでさえ、カード目録一枚もなく働いている。 私たちはそれを変えるつもりだ。