M-flow

요약

M-flow는 지식 그래프에서 증거 경로를 점수화하여 정보를 검색함으로써 AI 에이전트를 위한 기억 시스템으로 작동하며, 유사도 검색에만 의존하는 것이 아니라 인지적 기억 시스템처럼 동작합니다.

작동 방식

M-flow는 지식을 4단계 콘 그래프로 구성합니다: Episode(넓은 맥락), Facet(에피소드 내 주제), FacetPoint(원자적 사실), 그리고 Entity(명명된 것들). 검색 중에 벡터 검색이 쿼리의 세부 수준과 일치하는 진입점을 찾은 후, 그래프는 의미적으로 가중치가 부여된 에지를 따라 증거를 전파하여 쿼리와 연결되는 가장 강한 reasoning 체인을 기반으로 각 지식 단위에 점수를 매깁니다. 각 홉은 비용을 추가하므로 일관되고 저비용 경로만 경쟁력을 유지합니다. 이 시스템은 수집 과정에서 대명사를 구체적인 엔티티로 해결하고, 선택적으로 인식된 얼굴을 기준으로 기억을 분할하여 다인 격리를 수행할 수 있습니다.

주요 기능

• 계층적 회상을 위한 에피소드 및 프로시저 기억
• 5가지 검색 모드: 에피소드(주요), 프로시저, 트리플릿 완성, 어휘, Cypher
• 50+ 파일 형식 지원(PDF, DOCX, HTML, Markdown, 이미지, 오디오 등)
• 다중 데이터베이스 지원: LanceDB, Neo4j, PostgreSQL/pgvector, ChromaDB, KùzuDB, Pinecone
• LLM에 구애받지 않음: OpenAI, Anthropic, Mistral, Groq, Ollama, LLaMA‑Index, LangChain과 함께 작동
• 사실 세부 사항(날짜, 숫자, 이름)을 보존하는 정확한 요약
• 메모리를 Model Context Protocol 도구로 노출하는 MCP 서버
• 상호작용을 위한 CLI 및 웹 UI

제한 사항

README에 명시된 제한 사항이 없습니다.

가장 적합한 사용 사례

LoCoMo‑10 및 LongMemEval과 같은 벤치먼트에서 보여준 것처럼, 지속적인 장기 컨텍스트 메모리와 정확하고 reasoning 기반의 검색이 필요한 AI 에이전트에 적합합니다.