생물학적 망각 곡선 기반 AI 메모리로 Recall@5 59% 달성

Show HN: AI memory with biological decay (52% recall)

2026년 4월 26일6분intermediate

AI 요약

Context

기존 AI 에이전트의 세션 간 메모리 부재로 인한 정보 반복 학습 및 개인화 설정 소실 문제 발생. 단순 Vector DB 기반 저장 방식은 정보의 시의성과 중요도를 반영하지 못해 컨텍스트 오염 및 효율성 저하 초래.

Ebbinghaus Forgetting Curve 기반의 지수적 감쇠 모델을 적용한 Memory Strength 관리 구조 설계
Importance와 Recall Frequency를 변수로 사용하여 중요 정보의 망각 속도를 늦추는 가중치 로직 구현
Vector Search와 Graph BFS Expansion을 결합한 Hybrid Retrieval로 어휘 기반 검색의 한계 극복
Semantic Edge(Cosine Similarity ≥ 0.4)를 통한 관련 메모리 간의 Chain-aware Pruning으로 맥락적 보존 강화
DuckDB와 NetworkX를 활용한 Zero-infrastructure 로컬 스토리지 아키텍처 채택으로 배포 복잡도 제거
MCP(Model Context Protocol) 표준 인터페이스 적용을 통한 다양한 AI 클라이언트와의 상호운용성 확보

실천 포인트

1. 무분별한 컨텍스트 주입 대신 중요도 기반의 Decay 로직 도입 검토

2. Vector DB의 한계를 보완하기 위해 의미론적 연결 기반의 Graph Expansion 단계 추가

3. 주기적인 Pruning Job을 통한 메모리 파편화 방지 및 스토리지 최적화 적용

태그