피드로 돌아가기
Dev.toAI/ML
원문 읽기
Local-first 기반의 Profile-scoped 메모리 아카이브 계층 설계
Why I Built a New Memory Plugin for Hermes Agent
AI 요약
Context
기존 Hermes Agent의 내장 메모리와 외부 Provider들이 Cloud API 의존성이 높거나, Embedding 기반의 불투명한 데이터 저장 방식을 가짐. 특히 Headless 환경에서 프로필별 완전한 데이터 격리 및 사용자가 직접 검토 가능한 가독성 높은 저장 구조의 부재함.
Technical Solution
- HERMES_HOME 경로 기반의 구조적 Profile Isolation을 통해 프로필별 데이터 독립성 확보
- Embedding 기반의 Black-box 저장을 배제하고 Markdown 형식의 Verbatim Transcript Mining 방식 채택
- prefetch()와 sync_turn() 라이프사이클 훅을 이용한 비동기 버퍼링 및 검색 최적화로 채팅 루프 지연 방지
- mempalace_search, mempalace_wake_up 등 전용 Tool을 제공하여 Agent가 명시적으로 과거 컨텍스트를 호출하는 패턴 설계
- 내장 메모리를 대체하지 않고 그 위에 Archival Layer를 추가하는 계층적 메모리 구조 설계
실천 포인트
1. LLM 메모리 설계 시 Embedding 외에 사람이 읽을 수 있는 정형 텍스트 로그를 병행 저장하여 감사 가능성(Auditability) 확보 여부 검토
2. 외부 API 의존성을 제거한 Local-first 저장 구조를 통해 인프라 복잡도 및 데이터 유출 리스크 최소화
3. 사용자 설정 파일(Config)에 의존하는 논리적 격리가 아닌 디렉토리 경로 기반의 물리적 격리 구조 적용 고려