AI 에이전트의 효율적인 작동을 위한 '메모리' 관리 방식이 새로운 전환점을 맞고 있습니다. 기존 에이전트 메모리 시스템은 특정 프레임워크에 종속되거나 대규모 언어모델(LLM)과 데이터베이스를 연결하는 복잡한 파이프라인 형태로 구축되는 경향이 있었습니다. 이러한 방식은 운영의 어려움과 함께 에이전트의 정보 활용을 제한한다는 비판을 받아왔으며, 이에 'Memoryfield'라는 새로운 접근 방식이 제안되었습니다.
Memoryfield는 에이전트 메모리를 단순하고 이식 가능한 데이터 형식으로 다루는 것을 핵심으로 합니다. 이는 에이전트가 직접 작성한 짧은 마크다운(Markdown) 문서와 선택적 YAML 메타데이터, 그리고 시맨틱 검색을 위한 SQLite 벡터 인덱스를 ZIP 파일로 묶는 구조를 가집니다. 기존 RAG(검색 증강 생성) 파이프라인이 사람이 만든 문서를 에이전트가 읽게 하기 위해 복잡한 청킹(chunking)과 요약 과정을 거치는 것과 달리, Memoryfield는 에이전트가 생성 순간부터 AI가 이해하고 직접 작성할 수 있는 마크다운 산문 형태로 메모리를 기록합니다. 또한, 지식 그래프를 순차적으로 탐색하는 대신 본문 내용을 시맨틱 검색하여 관련 페이지로 바로 이동함으로써, 최대 두 번의 도구 호출만으로 필요한 정보를 찾을 수 있어 효율성을 극대화합니다.
이러한 접근 방식은 에이전트가 메모리를 더 자유롭게 활용하고, 모델의 발전과 함께 메모리 사용 방식도 유연하게 개선될 수 있도록 돕습니다. Memoryfield는 특정 API나 데이터베이스에 의존하는 대신 파일 형식만 정의하는 '저메커니즘(low-mechanism)' 시스템으로, 에이전트가 Bash, Markdown, SQLite 등 익숙한 도구를 활용해 자체적인 접근 방식을 만들 수 있습니다. 이는 축적된 메모리가 특정 하네스(harness)나 모델, 에이전트에 종속되지 않고 로컬 파일, S3, GitHub, HTTP 등 다양한 방식으로 교환될 수 있도록 하여, AI 에이전트 생태계 전반의 유연성과 확장성을 크게 향상시킬 잠재력을 가집니다.