mnemosyne: Mnemosyne: 로컬 우선 AI 메모리 레이어

off_topic: false summary: Mnemosyne는 AI 에이전트를 위한 로컬 우선, SQLite 기반 메모리 레이어로, 외부 서비스나 클라우드 의존 없이 작동 메모리, 에피소딕 메모리, 그리고 시간적 지식 그래프(TripleStore)를 제공합니다. how_it_works: Mnemosyne는 세 가지 계층으로 구성된 BEAM 아키텍처를 사용합니다: 작동 메모리(TTL이 있는 핫 컨텍스트), 에피소딕 메모리(하이브리드 벡터 및 키워드 검색을 위해 sqlite-vec와 FTS5를 사용하는 장기 저장소), 그리고 시간적 지식 그래프를 위한 TripleStore입니다. 점수 매기기에 벡터 유사도(50%), FTS5 순위(30%), 중요도(20%)를 결합하며, 효율적으로 SQLite에 임베딩을 저장하기 위해 바이너리 벡터 압축(MIB)을 사용합니다. key_features:

  • MCP 또는 직접 SDK를 통해 여러 에이전트 프레임워크(Cursor, Claude Code, Codex, OpenWebUI, OpenClaw, Hermes 등)와 작동합니다.
  • Python을 제외한 의존성이 없음(임베딩 및 전체 기능을 위한 선택적 추가 기능 포함)
  • stdio 또는 SSE 전송을 위한 내장 MCP 서버
  • 직접 통합을 위한 Python SDK
  • 메모리 작업(저장, 회상, 통계, 수면, 내보내기/가져오기, 동기화)을 위한 CLI
  • LongMemEval(Recall@All@5 98.9%) 및 BEAM(100K 규모에서 end-to-end QA 65.2%)에서 벤치마크됨
  • 기본적으로 로컬 우선이며, 선택적 암호화된 동기화 지원
  • 환경 변수를 통해 구성 가능(임베딩 모델, 가중치 등)
  • Hermes Agent 사용자를 위한 Hermes 플러그인
  • 인스턴스 간 양방향 메모리 동기화(Mnemosyne Sync) limitations:
  • BEAM 벤치마크 결과는 v3.0.0(2026년 5월)에서 나온 것이며, 이후 향상 사항(폴리포닉 리콜, 향상된 리콜, SHMR, persona tier)을 포함하지 않습니다.
  • BEAM 검색은 규모에 관계없이 Recall@10이 평평하게 20%를 보여줍니다(절대값은 낮지만 규모에 따라 감소하지 않는다는 점에서 주목할 만합니다).
  • Mnemosyne의 LongMemEval 메트릭(Recall@All@5)은 다른 사람들의 Recall@5와 직접 비교할 수 없습니다.
  • BEAM end-to-end QA 점수는 일부 경쟁자와 다른 판정자(Llama 3.3 70B와 DeepSeek V4 Flash)를 사용했기 때문에 직접 비교가 제한됩니다.
  • 현재 코드베이스에서 벤치마크를 재실행하는 것은 미해결 작업입니다.

Sources