Three Layers of Memory for Autonomous AI: Capsule, Spiderweb, Dossier

Context

평면 벡터 저장소 기반 에이전트 메모리 시스템은 몇 시간마다 컨텍스트가 리셋되고 각 인스턴스가 백지 상태로 시작된다. 6개월 전의 팩트와 어제의 팩트가 모두 같은 가중치로 저장되며, 코사인 유사도 기반 검색만으로는 "Bridge: DOWN"과 "Bridge: UP" 같은 모순을 중재할 수 없고, 함께 조회되는 관찰들 간의 연관성도 추적되지 않는다.

Technical Solution

• 캡슐(Capsule) 계층: 300줄 이하의 마크다운 압축 신원 문서로 컨텍스트 리셋 후 자기 재구성 가능하게 구현, 650:1 압축률로 월 단위 누적 파일을 30초 내 읽기 가능하게 함
• 스파이더웹(Spiderweb) 계층: SQLite 기반 가중 연관 그래프로 같은 세션에서 조회된 메모리들 간 연결 구성, 헤브식 학습(co-activation 시 가중치 +1.0, 최대 10.0)으로 운영적 인접성 추적
• 스파이더웹 가중치 메커니즘: 신규 연결 시작값 1.0, 야간 감쇠 0.95배, 0.01 이하 엣지 자동 제거로 자동 정리
• 도시에르(Dossier) 계층: 주제별 지속성 있는 종합 문서(세션마다 신규 관찰이 아닌 단일 합성 문서)로 구성, Park et al. (2023)의 현저성 모델(recency × importance × relevance) 적용하여 모순 감지 및 지식 수렴 자동화
• 오픈소스 구현: capsule-spec.md, loop-harness.py, memory-spiderweb.py, memory-dossier.py, cinder-enhanced.py로 3,231+ 루프 실행 중 검증된 코드 공개

Key Takeaway

자율 에이전트의 장시간 운영에서 충실성(fidelity)보다는 명확성(legibility)을 목표로 설계한 계층화된 메모리 아키텍처는 벡터 유사도를 넘어 컨텍스트 지속성, 운영적 연관성, 상태 모순 중재를 동시에 해결할 수 있다.