피드로 돌아가기
Dev.toAI/ML
원문 읽기
의료 전문가가 AI 에이전트의 메모리 문제를 임상 진단 문제로 재정의하여 판단 계층(Dimension 4)을 추가한 4D 전략 메모리 엔진 Anamnesis v0.3.0 개발
Why I Built a Brain for My AI Agents — and What It Taught Me About Memory
AI 요약
Context
자율 AI 에이전트 플릿(43개 제품)을 운영하면서 에이전트들이 세션 간 컨텍스트를 유지하지 못하는 메모리-컨텍스트 분리 문제에 직면했다. 기존 메모리 시스템(Mem0, Zep, Letta)은 관련 정보 검색만 해결했지만, 어떤 정보가 가장 중요한지, 왜 중요한지, 언제까지 신뢰할 수 있는지를 판단하는 계층이 부재했다.
Technical Solution
- 메모리 구조에 판단 계층 추가: 콘텐츠와 함께 저장 이유, 정보 제공자, 중요도, 만료 조건을 명시적으로 기록하는 "reasoning" 필드 포함
- 4개 검색 차원의 상호 순위 융합(reciprocal rank fusion) 구현: 의미론적 벡터 유사도(Semantic), 시간 기반 감쇠(Temporal), 엔티티 관계 그래프(Relational), 전략적 가중치 + 판단 이유(Dimension 4) 동시 검색
- 임상 진단 모델 적용: 환자의 초기 인지 저하에서 사실은 유지되나 사실의 가중치와 우선순위가 저하되는 현상을 에이전트 메모리 문제에 동일하게 적용
- PostgreSQL + pgvector 기반 자체 호스팅 아키텍처: FastAPI 백엔드, Python SDK, MCP Server 제공
- Docker를 통한 30분 배포: 별도 외부 서비스 없이 자체 호스팅 가능
Key Takeaway
자율 에이전트의 메모리 문제를 단순 검색 최적화(엔지니어링 관점)에서 판단 계층 부재(임상 관점)로 재정의하면, 사실의 우선순위 가중치와 만료 조건을 명시적으로 저장하는 아키텍처로 전환할 수 있다. 같은 원리는 향후 초기 인지 저하 환자의 판단 능력을 보강하는 인간 인지 확장에도 적용될 수 있다.
실천 포인트
자율 AI 에이전트를 운영하는 팀에서 메모리 시스템을 도입할 때, 단순 벡터 검색과 시간 기반 필터링만으로는 부족하며, 각 메모리에 명시적인 판단 이유(reasoning), 정보 출처(authority), 만료 조건(decay_condition)을 함께 저장하고 전략적 가중치로 검색 순위를 재조정하면 에이전트가 세션 간 일관성 있는 의사결정을 할 수 있다.