LycheeMem/LycheeMem
Lightweight Long-Term Memory for LLM Agents.
What it solves
LycheeMemory는 경량의 장기 기억 인프라를 제공하여 컨텍스트 윈도우 제한 및 세션 간 정보 손실 문제를 해결합니다. 에이전트는 사용자, 선호도, 과거 이벤트에 대한 지속적인 지식을 유지할 수 있으며, 거대한 컨텍스트 윈도우나 단순한 평면 벡터 스토어에만 의존하지 않아도 됩니다.
How it works
LycheeMemory는 메모리를 네 가지 특화된 스토어로 조직합니다:
- Working Memory: 이중 임계값 토큰 예산을 사용해 활성 대화를 관리합니다. 예산이 거의 가득 차면 백그라운드 압축(요약)을 트리거해 컨텍스트를 가볍게 유지합니다.
- Semantic Memory: 계층형 메모리 트리(SQLite + LanceDB)를 이용해 타입이 지정된 레코드(사실, 선호도, 이벤트, 제약 등)를 저장합니다. "Record Fusion Engine"이 유사한 메모리를 병합해 더 밀집된 복합 레코드를 만들고, 트랜스포머 기반 리랭커로 검색 정확도를 향상시킵니다.
- Procedural Memory: 재사용 가능한 스킬과 메서드를 저장하며, HyDE(Hypothetical Document Embeddings)를 활용해 검색합니다.
- Visual Memory: 멀티모달 스토어로 VLM을 사용해 이미지 이해를 수행하고, 캡션 + CLIP 이중 임베딩으로 교차 모달 검색을 수행하며, 에빙하우스 망각 곡선을 적용해 데이터를 관리합니다.
시스템은 Python API, HTTP MCP(Model Context Protocol) 서버, 혹은 OpenClaw, Claude Code, Hermes와 같은 에이전트 런타임용 네이티브 플러그인을 통해 통합할 수 있습니다.
Who it’s for
지속적인 장기 기억이 필요하고, 사용자 선호도를 자동으로 회상하며, 여러 세션에 걸쳐 과거 실패와 성공으로부터 학습할 수 있는 에이전트 시스템을 구축하는 개발자를 위해 설계되었습니다.
Highlights
- Multi-layered Storage: SQLite, LanceDB, 파일 시스템을 결합해 효율적인 검색 및 저장을 구현합니다.
- Action-Aware Memory: 사용 통계와 실패 패턴을 추적해 향후 강화 학습 신호의 시드로 활용합니다.
- MCP Compatible: HTTP 엔드포인트를 통해 모든 MCP 호환 클라이언트와 손쉽게 통합할 수 있습니다.
- Automatic Consolidation: 타입 추출, 컨텍스트 제거, 계층적 클러스터링 파이프라인을 제공합니다.
- Transformer Reranker: 의미 검색 시 증거 선택 정확도를 높이는 전용 리랭커를 포함합니다.