AI 에이전트가 사람처럼 똑똑하게 작동하려면 '기억' 능력이 필수적입니다. 하지만 기존의 AI 메모리 시스템은 모든 정보를 무작정 저장하는 방식이어서, 불필요한 데이터가 쌓여 추론(inference) 비용을 높이고 성능을 저하시키는 문제가 있었습니다. 이러한 비효율성을 해결하기 위해 '유어메모리(YourMemory)' 프로젝트가 공개되었습니다. 유어메모리는 데이터를 쌓아두기보다 중요하지 않은 정보를 적극적으로 '가지치기(pruning)'하는 데 초점을 맞춰, AI 에이전트가 세션 간에도 일관되고 효율적인 기억을 유지하도록 돕습니다.
유어메모리의 핵심은 세 가지 기술에 있습니다. 첫째, 인간의 망각 곡선을 모델링한 '에빙하우스 망각 곡선(Ebbinghaus forgetting curve)'을 적용하여 기억의 중요도에 따라 자연스럽게 잊히도록 합니다. 예를 들어, 전략(strategy)은 약 38일, 사실(fact)은 약 24일, 실패(failure)는 약 11일의 반감기를 가지며, 중요도가 낮은 기억은 자동으로 소멸됩니다. 둘째, '하이브리드 그래프 + 벡터(Hybrid Graph + Vector)' 검색 방식을 사용합니다. 이는 벡터 검색으로 직접적인 일치 항목을 찾은 후, 그래프 탐색을 통해 질의와 직접적인 단어는 공유하지 않지만 관련성 높은 기억들을 찾아내어 어떤 정보도 놓치지 않게 합니다. 셋째, 멀티 에이전트 메모리 기능을 제공하여 여러 AI 에이전트가 컨텍스트를 공유하거나 개별적인 비밀을 유지할 수 있도록 설계되었습니다. 이 시스템은 로컬에서 완전히 구동되며, 스파이시(spaCy) 모델로 임베딩을 생성하고 덕디비(DuckDB) 파일에 저장하여 데이터 유출 우려가 없습니다.
이러한 유어메모리의 접근 방식은 AI 에이전트의 활용성을 크게 높일 잠재력을 가집니다. 기존 메모리 시스템의 고질적인 문제였던 '컨텍스트 블로트(context bloat)'를 해결하여 토큰 낭비를 최대 84%까지 줄이고, 장기 기억 평가 벤치마크인 롱멤이벨(LongMemEval)에서 89.4%의 높은 회수율(Recall@5)을 기록하는 등 뛰어난 성능을 보였습니다. 이는 AI 에이전트가 더 적은 비용으로 더 정확하고 일관된 정보를 바탕으로 추론할 수 있게 함으로써, 개발자들이 복잡한 AI 시스템을 구축하고 유지하는 데 드는 시간과 비용을 절감할 수 있게 합니다. 궁극적으로는 AI 에이전트가 사람처럼 중요한 것을 기억하고 불필요한 것을 잊는 능력을 갖추게 되어, 더욱 유연하고 지능적인 AI 서비스 개발의 기반을 마련할 것으로 기대됩니다.