20개 AI 에이전트를 9개 노드에 분산 배치한 팀이 QMD + ByteRover + GraphDB 3중 병렬 아키텍처로 에이전트 간 메모리 공유 문제 해결

Context

9개 노드에 분산된 20개 AI 에이전트 중 일부만 메모리 백엔드를 구성했고, 나머지는 session-only 상태였다. Joe 에이전트가 저장한 API 키 정보를 다른 에이전트들이 반복적으로 재질문하는 등 메모리 공유 메커니즘이 부재했다. 단순 대화 기록 저장으로는 메모리 충돌, 오래된 정보, 크로스 에이전트 공유 지식 관리 문제를 해결할 수 없었다.

Technical Solution

• QMD(3단계 파이프라인: BM25 + 벡터 + 재순위화)를 로컬 백엔드로 도입: 외부 의존성 제거, 30초 롤백 시간 확보
• ByteRover 스킬로 계층화된 지식 트리 구조 구현: 92.2% 검색 정확도, 에이전트 간 메모리 공유를 설계 우선사항으로 배치
• GraphDB와 벡터 DB 조합으로 관계형 쿼리 처리: "누가 언제 누구에게 무엇을 말했는가" 타입 질의 해결
• 3개 경로를 병렬 실행 후 병합하는 아키텍처 채택: 총 레이턴시 = max(A, B, C), 각 경로가 다른 경로의 약점 보완
• /mnt/shared/memory/public/ 공용 메모리 계층 분리: 인프라 사실, 코딩 규칙, 프로젝트 지식을 모든 에이전트가 접근 가능하게 구성

Impact

Mem0 + GraphDB 조합 기준 26% 정확도 향상, 91% 레이턴시 감소

Key Takeaway

분산 에이전트 시스템에서 private memory와 public memory를 명시적으로 분리 관리하는 것이 핵심이다. 인프라 정보처럼 여러 에이전트가 공유해야 하는 지식을 공용 계층에 저장하지 않으면 개별 에이전트마다 중복 학습이 발생하고 동기화 문제가 악화된다.