Markdown 기반 Memory Tree와 20분 자동 fetch 루프로 구현한 지속성 AI 레이어

OpenHuman Follows OpenClaw’s Rise, But With an Obsidian Brain

v. Splicer2026년 5월 22일8분intermediate

AI 요약

Context

기존 AI 에이전트의 Stateless 특성으로 인한 컨텍스트 휘발성과 매 세션마다 반복되는 수동 정보 입력의 비효율성 발생. 단순 챗봇 형태의 인터페이스가 가진 단편적 상호작용 한계를 극복하기 위한 지속적 인지 시스템의 필요성 대두.

GitHub, Gmail, local files 등 분산된 데이터 소스에서 정보를 지속적으로 수집하는 Auto-fetch loop 설계
20분 간격의 주기적 데이터 동기화를 통한 실시간 환경 인지 및 로컬 메모리 업데이트 구조 채택
수집된 비정형 데이터를 압축하여 저장하는 Markdown 기반의 Memory Tree 아키텍처 구현
Ollama를 통한 Local Inference 통합으로 데이터 프라이버시 확보 및 외부 API 의존도 최소화
Filesystem access와 Git operations를 포함한 OS 레벨의 Tooling Stack 통합으로 단순 어시스턴트를 넘어선 운영체제 레이어 지향

실천 포인트

1. Stateless API 설계 시 사용자 컨텍스트 유지를 위한 로컬 캐싱 또는 그래프 기반 메모리 구조 검토

2. 수동 입력 최소화를 위한 주기적 데이터 하베스팅(Auto-fetch) 메커니즘 도입 고려

3. LLM의 컨텍스트 윈도우 한계를 극복하기 위한 Markdown 등 구조화된 텍스트 기반의 정보 압축 저장 방식 적용

태그