Meko: 다중 에이전트 메모리 및 지식 문제 해결

프로덕션 수준의 에이전트 AI 애플리케이션을 구축하면 종종 가혹한 현실이 드러납니다: 에이전트가 실패하는 이유는 추론 능력 부족이 아니라 자신이 알고 있는 정보를 효과적으로 공유하지 못하기 때문입니다. 여러 에이전트가 협업할 때 통합된 메모리와 지식 레이어가 없으면 설명 가능성이 단편화되고 운영 비용이 높아지며, 모든 에이전트가 동일한 교훈을 다시 발견해야 하는 "처음부터 시작" 사고방식이 생깁니다.

전통적으로 개발자들은 관계형 데이터에 PostgreSQL, 의미 검색에 Pgvector, 메모리용 그래프 데이터베이스, 대화 로그용 객체 스토어 등 다양한 데이터베이스를 조합하여 문제를 해결하려 했습니다. 이 접근 방식은 데이터 사일로를 만들고 상당한 지연을 초래합니다. Meko는 이러한 복잡성을 추상화하도록 설계된 에이전트‑네이티브 데이터 인프라로 등장하여, 개발자가 인프라 관리가 아니라 시스템 구축에 집중할 수 있게 합니다.

핵심 과제: 에이전트 간 불일치

Multi-Agent System Failure Taxonomy (MAST)에 따르면, 다중 에이전트 시스템 실패의 약 36.9%가 에이전트 간 불일치에서 비롯됩니다. 이는 에이전트가 고립된 상태로 작동하여 한 에이전트의 학습 행동이나 지식 업데이트가 시스템 전체에 전파되지 않을 때 발생합니다.

작업이 에이전트 A에서 에이전트 B로 전달될 때 일반적으로 전달되는 것은 정제된 출력뿐입니다. 근본적인 추론, 가정 및 중간 결정은 사라집니다. Meko는 의사결정 과정의 전체 컨텍스트를 보존함으로써, 이어받는 에이전트가 무엇이 결정되었는지뿐 아니라 왜 결정되었는지를 이해하도록 합니다.

Meko 아키텍처: Datapack

Meko의 핵심은 datapack이며, 이는 단일 Model Context Protocol (MCP) 엔드포인트를 통해 에이전트 프레임워크와 상호작용합니다. 에이전트 데이터를 일반 테이블에 억지로 넣는 대신, Meko는 네 가지 네이티브 데이터 구조를 활용합니다:

1. 집합 메모리

각 에이전트에 고립된 메모리를 제공하는 프레임워크와 달리, Meko는 복합 시스템을 구현합니다. 다섯 가지 구별된 메모리 유형을 지원합니다:

  • Working Memory: 활성 작업을 위한 일시적인 상태.
  • Episodic Memory: 작업 이력 및 상호작용 로그.
  • Semantic Memory: 지속적인 사실 및 도메인 지식.
  • Procedural Memory: 학습된 워크플로와 도구 사용 패턴.
  • Shared Memory: datapack 내 모든 에이전트 간 조정을 위한 공통 기반.

에이전트가 새로운 정보를 학습하면 해당 정보는 자동으로 개인 메모리에서 공유 지식 레이어로 승격되어 시스템 내 다른 모든 에이전트가 활용할 수 있게 됩니다.

2. 통합 지식

AI 시스템의 지식은 동적입니다. Meko는 PDF, SQL 테이블, HTML, 실시간 데이터 피드 등 다양한 소스를 자동으로 처리하여 임베딩과 요약을 생성하고, 수동 파이프라인 관리가 필요 없게 합니다.

이를 통해 "하이브리드 쿼리"가 가능해집니다. 에이전트는 특정 시간 범위 내에 생성되고 특정 ID로 태그된, 작업과 의미적으로 유사한 데이터를 단일 PostgreSQL 문장 하나로 조회할 수 있으며, 별도의 데이터베이스에 대한 세 번의 라운드 트립이 필요하지 않습니다.

3. 의사결정 추적

프로덕션 시스템에서는 신뢰성과 감사 가능성이 협상할 수 없는 요소입니다. Meko는 decision traces를 캡처하는데, 여기에는 초기 프롬프트, 에이전트의 계획, 도구 호출, 그리고 결과적인 지식 업데이트가 포함된 전체 사고 흐름이 기록됩니다. 이는 고위험 AI 시스템에 대해 장기적인 의사결정 기록 보존을 요구할 수 있는 EU AI Act와 같은 규제 준수에 특히 중요합니다.

4. 계층화된 대화

성능과 비용의 균형을 맞추기 위해 Meko는 대화 기록에 대해 3계층 저장 모델을 사용합니다:

  • Hot Storage: 최근 대화는 밀리초 지연을 제공하는 YugabyteDB에 저장됩니다.
  • Warm Storage: 오래된 대화는 자동으로 S3 객체 스토리지로 이동합니다.
  • Cold Storage: 일정 기간이 지나면 전체 기록 대신 요약만 보관하지만, 완전성을 위해 전체 원문 기록도 유지됩니다.

인프라 및 통합

Meko는 YugabyteDB 위에 구축되었습니다. 이는 수평 확장이 가능하고 PostgreSQL 호환성을 갖춘 분산 데이터베이스로, 단일 레이어 내에서 SQL, NoSQL, 벡터, 시계열, 그래프 쿼리를 지원합니다.

MCP 표준을 준수하기 때문에 Meko는 Claude Code, Claude Desktop, Cursor와 같은 도구와 원활하게 통합됩니다. 서버리스, 멀티 테넌트 아키텍처는 에이전트 워크로드의 급증 특성에 맞게 특별히 조정되어, 유휴 에이전트는 거의 제로에 가까운 자원을 소비하고 활성 에이전트는 즉시 확장됩니다.

프로덕션 패턴 요약

Meko는 엔지니어링 팀을 위해 여섯 가지 핵심 패턴을 지원하도록 설계되었습니다:

  1. Context-Preserved Handoffs: 추론이 결과와 함께 전달됩니다.
  2. Collective Learning: 교훈이 워크플로 실행 간에 지속됩니다.
  3. Auditable Trails: 규정 준수와 튜닝을 위한 전체 추적 가능성.
  4. Economic History: 대화 로그의 자동 계층화.
  5. Agent Resumability: 실행 일시 중지 및 재개를 위한 전체 상태 지속.
  6. Portable Project Memory: 팀 간 공유 코딩 표준 및 규범.

SUMMARY: Explore how Meko provides a unified, agent-native data infrastructure to enable collective memory, shared knowledge, and decision traceability for multi-agent AI systems.

TITLE: Meko: Solving the Multi-Agent Memory and Knowledge Problem

Sources