AI 시스템 메모리 — 영속적 지식과 에이전트 메모리
단일 채팅 스레드를 넘어 지속되는 지식
이 섹션은 AI 시스템의 영속적 지식과 기억에 대한 가이드를 모아놓은 곳입니다 — 어시스턴트가 모든 토큰을 하나의 프롬프트에 집어넣지 않고도 세션 간에 사실, 선호 사항, 정제된 맥락을 유지하는 방법을 다룹니다. 여기에서 기억은 GPU RAM이나 모델 가중치가 아니라, 의도적인 보존(사용자 사실, 요약, 플러그인 기반 스토어)을 의미합니다.
이는 AI 시스템의 더 넓은 클러스터 — OpenClaw, Hermes, 오케스트레이션 —를 보완하며, 검색 메커니즘은 RAG에서, 모델 실행은 LLM 호스팅에서 다루므로 함께 참고하면 좋습니다.
기억은 라우팅, 툴링, 관찰 가능성과 함께 AI 어시스턴트 아키텍처에서 설명되는 더 넓은 어시스턴트 스택 내부에 위치합니다.
어시스턴트를 위한 메모리 설계
단기, 구조화, 검색 메모리에 대한 프레임워크 간 가이드 — 통합 정책, 벡터 트레이드오프, 그리고 OpenAI, LangGraph, Hermes, OpenClaw에서 나온 패턴을 다룹니다.
- 실제로 도움이 되는 AI 어시스턴트의 메모리 시스템 — 작업 메모리, 구조화 상태, 검색 레이어, 그리고 메모리가 도움이 되는 경우와 해가 되는 경우
에이전트 메모리 프로바이더
Hermes Agent, OpenClaw와 같은 프레임워크가 제공하는 드롭인 백엔드 — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne 등 — 각기 다른 LLM, 임베딩, 데이터베이스 트레이드오프를 특징으로 합니다.
- 에이전트 메모리 프로바이더 비교 — 전체 테이블, 캡처 정책 비교, 의존성 참고 사항, Hermes
memory setup흐름
Hermes 전용의 제한된 코어 메모리(MEMORY.md / USER.md)에 대해서는 **Hermes Agent 메모리 시스템**을, Mnemosyne 설치 및 보수적인 쓰기 정책 안내에 대해서는 **Hermes Agent를 위한 Mnemosyne: 로컬 메모리 빠른 시작**을 참고하세요.
메모리 거버넌스와 실패 모드
자동 캡처, 성찰, 통합은 모델 자체의 추론을 이후 세션에서 증거로 취급되는 영속적 “사실"로 변형시킬 수 있습니다.
- AI 에이전트의 자기 강화형 메모리 루프 — 이 피드백이 취하는 7가지 형태, 임베딩보다 소스(provenance)가 중요한 이유, 그리고 프로바이더가 기억을 거부하는지 테스트하는 방법
지식 그래프와 Cognee
검색 인식형 어시스턴트를 위해 그래프로 추출된 기관 및 프로젝트 지식.
- Cognee 셀프호스팅 — Ollama에서 LLM 선택하기 — 로컬 모델을 사용한 실습형 Cognee 빠른 시작
- Cognee에 적합한 LLM 선택하기 — 로컬 Ollama 설정 — 그래프 품질 대비 하드웨어의 모델 비교
Cognee와 같은 그래프 빌더는 일반적으로 사람들이 이미 편집한 마크다운 볼트, 위키, 또는 내보낸 콘텐츠를 수집합니다. 중요도, 명명, “이것이 왜 중요했는가"는 청크가 임베딩에 도달하기 전에 대부분 정해져 있습니다. 느슨한 업스트림 코퍼스(자료집)는 모호함을 어시스턴트로 되돌려 학습시킵니다. 표현을 통한 수집의 disiplin된 워크플로우는 이러한 손해를 제한합니다. 이 인간 중심의 프레이밍 — 검색 우선 RAG와의 차이점 포함 — 에 대해서는 엔지니어와 지식 노동자를 위한 세컨드 브레인 설명을 참고하세요.
