기본적으로 상태를 저장하지 않는 LLM의 한계를 극복하기 위한 핵심 기술인 '에이전트 메모리(Agent Memory)'의 7가지 유형을 심층 분석한 가이드입니다. 각 메모리가 무엇을 저장하고 어디에 위치하며, 어떤 시점에 구축해야 하는지 실무자 관점에서 설명하며, 비교 테이블과 실제 사용 가능한 파이썬(Python) 코드를 함께 제공합니다.
AI 에이전트가 이전 대화를 기억하지 못하는 한계를 극복하기 위해 일래스틱서치(Elasticsearch) 기반의 영구 기억 아키텍처를 제안합니다. 인지과학에 기반한 3가지 기억 유형(에피소드, 의미, 절차)을 분리하여 저장하고, 하이브리드 검색과 RRF, 재정렬(reranker) 기법을 적용해 0.89라는 높은 회상율(Recall)을 달성했습니다. 컨텍스트 창의 비용과 망각 현식을 해결할 수 있는 실질적인 장기 기억 시스템 구현 가이드입니다.
현재 다수의 AI 에이전트 메모리 라이브러리들이 인지과학의 용어를 차용해 쓰고 있지만, 실제 엔지니어링 구현은 그 의미를 제대로 반영하지 못하고 있습니다. 이 글은 에이전트의 기억 시스템이 대화에서 정보를 추출하는 '추출기', 데이터를 저장하고 모순을 처리하는 '저장소', 필요한 정보를 검색하는 '검색기'라는 세 가지 핵심 구성 요소로 이루어져 있음을 설명합니다. 개발자들은 이 세 가지 구조의 동작 방식과 설계 선택(정보 압축, 모순 처리 등)을 이해함으로써 어떤 메모리 라이브러리든 평가하고 활용할 수 있습니다.
AI 에이전트의 빈약한 메모리 문제를 해결하기 위해 Y Combinator의 개리 탄이 오픈소스로 공개한 'GBrain'을 구현하는 단계별 코딩 튜토리얼입니다. 이 툴은 LLM 호출 대신 정규식(regex)을 활용해 자동으로 연결되는 마크다운 기반 지식 그래프를 제공하여 비용과 시간을 절약할 수 있다는 점에서 실무자들에게 중요한 대안이 됩니다.
에빙하우스의 망각 곡선을 적용해 AI 에이전트의 문맥을 생물학적 기억처럼 관리하는 오픈소스 로컬 MCP 서버가 공개되었습니다. 단순히 정보를 영구 저장하는 기존 RAG의 한계를 극복하고 그래프 레이어를 결합하여 벤치마크에서 52%의 높은 회상률과 84%의 토큰 절감 효과를 입증했습니다. 장기 프로젝트를 수행하는 AI 에이전트에게 '무엇을 잊을지' 결정하는 것이 '무엇을 기억할지'만큼 중요하다는 점을 강력히 시사합니다.
다양한 개발 도구 간 세션 연결이 끊기고 문맥이 유실되는 AI 에이전트의 치명적인 망각 문제를 해결하는 'Hippo'가 공개되었습니다. 이 도구는 인간 뇌의 망각 메커니즘을 모방하여 중요한 정보는 장기 기억으로 남기고 노후화된 정보는 자동으로 삭제하는 공유 메모리 레이어 역할을 합니다. 개발자는 단 하나의 메모리 시스템으로 모든 에이전트(Claude, Cursor, Codex 등)의 문맥을 연동하고 이전의 실수를 반복하지 않도록 학습시킬 수 있습니다.