에이전트 기억력의 핵심은 망각, Hippo로 구현한 생물학적 메모리 계층

Context

AI 에이전트가 세션 간 모든 정보를 망각하는 구조적 한계 존재. 기존 솔루션은 단순 전체 저장 후 검색하는 파일 캐비닛 방식의 한계 노출. 도구별 메모리 파편화로 인한 컨텍스트 유지 불가 문제 발생.

Technical Solution

• SQLite 기반의 백본과 Markdown/YAML 미러링을 통한 Git 추적 가능 및 인간 가독성 확보 설계
• BM25 키워드 검색과 Cosine Embedding 유사도 검색을 결합한 하이브리드 검색 엔진 구현
• 중요도 기반의 Eviction 전략을 적용한 최대 20개 범위의 Bounded Buffer 워킹 메모리 계층 구축
• 기억의 반감기(Half-life) 개념을 도입하여 불필요한 정보는 삭제하고 반복 호출된 정보는 강화하는 Decay 메커니즘 적용
• SQLite의 busy_timeout, synchronous=NORMAL, WAL 설정을 통한 동시성 제어 및 쓰기 트랜잭션 일괄 처리 최적화
• 에이전트 프레임워크 자동 감지 및 CLAUDE.md, .cursorrules 등 설정 파일 자동 패치를 통한 제로 설정 통합 방식

Impact

• 50개 태스크 시퀀스 테스트 결과, 에이전트의 함정(Trap) 발생률이 78%에서 14%로 감소

Key Takeaway

무조건적인 데이터 축적보다 생물학적 망각과 강화 메커니즘을 모방한 데이터 라이프사이클 관리가 AI 에이전트의 효율적인 컨텍스트 유지에 필수적임.