AI 시스템 메모리 — 영속적 지식과 에이전트 메모리
단일 채팅 스레드를 넘어 지속되는 지식.
이 섹션은 AI 시스템의 영속적 지식 및 기억에 대한 가이드를 모았습니다. 어시스턴트가 모든 토큰을 하나의 프롬프트에 넣고 싶지 않으면서도 세션 간에 사실, 선호도, 그리고 응축된 컨텍스트를 어떻게 유지하는지 설명합니다. 여기서 기억이란 GPU RAM이나 모델 가중치가 아니라 의도적인 보존(사용자 사실, 요약, 플러그인 기반 저장소)을 의미합니다.
이는 더 넓은 AI 시스템 클러스터, 즉 OpenClaw, Hermes, 오케스트레이션을 보완하며, 검색 메커니즘에 관한 RAG 및 모델 실행에 관한 LLM 호스팅과 함께 위치합니다.
기억은 라우팅, 툴링, 관찰 가능성과 함께 AI 어시스턴트 아키텍처에서 설명된 더 넓은 어시스턴트 스택 안에 존재합니다.
어시스턴트를 위한 메모리 설계
단기, 구조화, 검색 메모리에 대한 크로스 프레임워크 가이드 — 통합 정책, 벡터 트레이드오프, 그리고 OpenAI, LangGraph, Hermes, OpenClaw의 패턴.
- 실제로 도움이 되는 AI 어시스턴트의 메모리 시스템 — 워킹 메모리, 구조화 상태, 검색 레이어, 그리고 메모리가 도움이 되는 경우와 해가 되는 경우
에이전트 메모리 프로바이더
Hermes Agent 및 OpenClaw와 같은 프레임워크에서 노출하는 드롭인 백엔드 — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne 등 — 서로 다른 LLM, 임베딩, 데이터베이스 트레이드오프를 제공합니다.
- 에이전트 메모리 프로바이더 비교 — 전체 테이블, 캡처 정책 비교, 의존성 노트, 그리고 Hermes
memory setup플로우
Hermes 전용의 경계 설정된 코어 메모리(MEMORY.md / USER.md)에 대해서는 **Hermes Agent 메모리 시스템**을 참고하세요. Mnemosyne 설치 및 보수적 쓰기 정책 워크스루에 대해서는 **Hermes Agent용 Mnemosyne: 로컬 메모리 퀵스타트**를 참고하세요. 로컬 임베딩, 리랭킹, 쓰기 경로 제어, 뱅크 백업을 포함한 Hermes용 Hindsight에 대해서는 **Hermes Agent용 Hindsight: 로컬 LLM을 사용한 셀프호스티드 메모리**를 참고하세요.
메모리 거버넌스와 실패 모드
자동 캡처, 성찰, 통합은 모델 자체의 추론을 나중에 세션에서 증거로 취급되는 지속 가능한 “사실"로 만들 수 있습니다.
- AI 에이전트의 자기 강화형 메모리 루프 — 이 피드백이 취하는 일곱 가지 형태, 임베딩보다 소스(Provenance)가 중요한 이유, 그리고 프로바이더가 기억하는 것을 거부하는지 테스트하는 방법
지식 그래프와 Cognee
검색 인식 어시스턴트를 위해 그래프로 추출된 기관 및 프로젝트 지식.
- Self-Hosting Cognee — Ollama에서 LLM 선택하기 — 로컬 모델을 사용한 Cognee 핸즈온 퀵스타트
- Cognee에 적합한 LLM 선택 — 로컬 Ollama 설정 — 그래프 품질과 하드웨어를 위한 모델 비교
Cognee와 같은 그래프 빌더는 일반적으로 사람들이 이미 편집한 Markdown 볼트, 위키 또는 내보낸 파일을 가져옵니다. 중요성, 명명법, “왜 이것이 중요했는지"는 청크가 임베딩에 도달하기 전에 대부분 정해져 있습니다. 엉망진창인 업스트림 코퍼스(Corpus)는 어시스턴트에 모호성을 다시 학습시킵니다. 표현을 통한 캡처(capture-through-expression) 워크플로우의 규율은 이러한 피해를 제한합니다. 그 인간 중심의 프레임—검색 우선 RAG와의 차이가 포함됨—에 대해서는 엔지니어를 위한 제2의 뇌 설명을 참고하세요.
