LycheeMem/LycheeMem

해결하는 문제

LycheeMemory는 LLM 에이전트를 위한 경량 장기 메모리 프레임워크를 제공하여, 컨텍스트 윈도우 제한 및 긴 상호작용 중 중요한 정보가 손실되는 문제를 해결합니다. 이를 통해 에이전트는 세션 전반에 걸쳐 지속적이고 구조화된 메모리를 유지할 수 있으며, 토큰 소비와 비용을 줄이면서도 회상 정확도를 향상시킵니다.

작동 방식

LycheeMemory는 정보를 네 가지 전문 저장소로 구성합니다:

• Working Memory: 이중 임계값 토큰 예산을 사용하여 활성 대화 창을 관리합니다. 제한에 도달하면 오래된 턴을 요약 앵커로 압축하여 공간을 확보합니다.
• Semantic Memory: SQLite 및 LanceDB를 사용하여 정보를 유형화된 MemoryRecords(예: 사실, 선호도, 제약 사항)로 저장합니다. 계층적 메모리 트리와 Record Fusion Engine을 사용하여 관련 정보를 중복 제거하고 복합 레코드로 클러스터링합니다.
• Procedural Memory: 재사용 가능한 기술과 방법을 저장하며, 검색을 위해 HyDE (Hypothetical Document Embeddings)를 활용합니다.
• Visual Memory: 이미지 이해를 위해 VLM을 사용하고, 교차 모달 검색을 위해 듀얼 임베딩(캡션 및 CLIP 비주얼)을 사용하는 멀티모달 모듈로, 저장 관리에 에빙하우스 망각 곡선을 통합합니다.

시스템은 인코딩, 융합 및 통합을 위한 4개 모듈 파이프라인을 채택하고 있으며, 선택적으로 트랜스포머 기반 리랭커를 사용하여 의미적 메모리 검색의 정밀도를 높일 수 있습니다.

대상 사용자

OpenClaw, Claude Code 또는 Hermes를 사용하는 것과 같이 장기적인 지속성이 필요한 에이전트 시스템을 구축하는 개발자와 Python API 또는 MCP (Model Context Protocol)를 통해 플러그 앤 플레이 메모리 백엔드가 필요한 모든 사용자에게 적합합니다.

주요 특징

• 멀티 런타임 지원: OpenClaw, Claude Code, Hermes를 위한 네이티브 플러그인 및 독립형 MCP 서버 제공.
• 효율적인 토큰 관리: Working Memory 압축 및 스마트 검색을 통해 토큰 소비를 줄임 (일부 벤치마크에서 최대 71% 감소).
• 의미적 구조화: 메모리를 7가지 유형(사실, 선호도, 이벤트, 제약 사항, 절차, 실패 패턴, 도구 어포던스)으로 분류.
• 멀티모달 기능: 텍스트-to-이미지 및 이미지-to-텍스트 검색 지원.
• 액션 인식: 사용 통계 및 액션-결과 루프를 추적하여 향후 강화 학습 신호의 씨앗을 제공함.