핵심 요약
Vectorize.io에서 개발한 오픈소스 AI 에이전트 메모리 시스템 (MIT 라이선스). 단순 대화 저장을 넘어 경험에서 학습하는 능력을 갖춘 것이 핵심 차별점이다. LongMemEval 벤치마크에서 SOTA를 달성했으며, Virginia Tech·Washington Post에서 검증됐다. 기존 LLM 클라이언트를 2줄 코드로 래핑해 통합할 수 있어 도입 장벽이 낮다.
3계층 생체모방 아키텍처
| 계층 | 역할 |
|---|---|
| World Facts | 객관적 사실과 정보 저장 |
| Experiences | 에이전트가 직접 겪은 구체적 경험 기록 |
| Mental Models | 기존 기억과 경험을 통해 형성된 깊은 이해 |
인간의 기억 구조를 모방한 설계다. 단순 임베딩 저장이 아닌 세 계층 간의 상호작용이 학습 능력을 만들어낸다.
3가지 핵심 연산
- Retain: LLM으로 사실·시간·엔티티·관계를 추출한 후 저장
- Recall: 의미·키워드·그래프·시간 4가지 전략을 병렬 검색 후 재정렬
- Reflect: 기존 기억 간 새로운 연결을 형성하는 자가 학습
RAG vs Hindsight
| 구분 | RAG | Hindsight |
|---|---|---|
| 저장 방식 | 벡터 임베딩 | 다층 구조 |
| 검색 전략 | 유사도만 | 4전략 + 재정렬 |
| 학습 능력 | 없음 | Reflect 연산 |
| 시간 인식 | 제한적 | 내장 |
성과 및 도입
- LongMemEval 벤치마크 SOTA 달성
- Virginia Tech·워싱턴 포스트에서 검증
- 기존 LLM 클라이언트를 2줄 코드로 래핑하여 통합 가능
단순 RAG의 한계를 넘어 에이전트가 장기적으로 더 나은 결정을 내리도록 만드는 메모리 인프라다.