NirDiamant/Agent_Memory_Techniques

Agent memory for LLMs: 30 runnable Jupyter notebooks covering conversation buffers, vector stores, knowledge graphs, episodic and semantic memory, MemGPT, Mem0, Letta, Zep, Graphiti, LoCoMo benchmarks, and production patterns.

📚 Agent Memory Techniques란?

30개의 실행 가능한 Jupyter 노트북으로 구성된 컬렉션으로, LLM 기반 에이전트에서 사용되는 가장 일반적인 메모리 패턴을 보여줍니다. 이 리포지토리는 기술들을 6가지 유형으로 분류합니다 — 단기 버퍼, 장기 저장소, 인지 아키텍처 패턴, 검색/라우팅 전략, 즉시 사용 가능한 프레임워크(Mem0, Letta, Zep, Graphiti), 프로덕션 준비 평가/벤치마킹 — 그리고 프로젝트에 적합한 기술을 선택하는 데 도움이 되는 시각적이고 간결한 의사결정 트리도 제공합니다.

작동 방식

유형	목적	예시 기술
단기	모델의 컨텍스트 창 내에서 최근 대화를 유지하면서 토큰 예산을 초과하지 않음.	대화 버퍼, 슬라이딩 윈도우, 요약, 토큰 버퍼
장기	세션, 사용자, 또는 실행 간 지식을 지속적으로 유지.	벡터 스토어, 엔티티 메모리, 지식 그래프, 에피소드, 의미적, 절차적
인지 아키텍처	뇌처럼 메모리를 조직 — 핫 레이어 vs. 콜드 레이어, 통합, 작업 메모리.	계층적 레이어, 메모리 통합, 자기 반성, 라우팅
검색 및 라우팅	무엇을 기억하고 언제 기억할지 결정 (예: 세션 간 재검색, 선택적 검색).
프레임워크	위의 패턴을 구현하는 즉시 사용 가능한 라이브러리.	Mem0, Letta (MemGPT), Zep, Graphiti
평가 및 프로덕션	메모리 성능을 벤치마크하고 프로덕션에 배포.

각 기술은 자체 폴더에 있으며, 자체 포함된 노트북으로 제공되어 로컬 또는 Google Colab에서 실행할 수 있습니다. 노트북에는 다음이 포함되어 있습니다:

최소한의 Python 코드 (Python 3.10+)
기초 개념 설명
간단한 예제 프롬프트 및 데이터
메모리가 시간이 지남에 따라 어떻게 진화하는지 시각화

누구에게 적합한가?

챗봇, 개인 보조자, 자율 에이전트를 개발하는 개발자 — 대화나 세션 간에 컨텍스트를 유지해야 하는 경우.
메모리 증강 LLM을 탐구하는 연구자 — 빠르게 참고할 수 있는 구현 예제를 찾는 경우.
프로덕션 수준 패턴을 체크리스트로 원하는 제품 팀 — 예: Mem0, Zep과 같은 상용 에이전트를 구동하는 프레임워크.

즉시 얻을 수 있는 것

실습 중심 학습 경로 — 01_conversation_buffer_memory에서 시작하여 연결된 학습 경로를 따라가세요.
의사결정 트리 및 비교 매트릭스 — 지속성, 토큰 비용, 사용 사례별로 기술을 빠르게 필터링.
프로덕션 준비 예제 — 이미 상용 에이전트를 구동하는 프레임워크용 노트북.
무료 교육 리소스 — 동반 동영상 강의, 464페이지의 시각적 책, 주간 AI 튜토리얼 뉴스레터 링크.

빠른 시작

# 리포지토리 클론
git clone https://github.com/NirDiamant/Agent_Memory_Techniques.git
cd Agent_Memory_Techniques
# 노트북 열기 (예시)
jupyter lab all_techniques/01_conversation_buffer_memory/conversation_buffer_memory.ipynb

또는 각 항목 옆의 배지를 통해 Colab에서 직접 노트북을 실행할 수 있습니다.

TL;DR

Agent Memory Techniques는 LLM 에이전트에 메모리를 어떻게 부여할지 실용적으로 가르쳐주는 오픈소스 튜토리얼 라이브러리입니다. 단순한 버퍼 기술부터 완전한 인지 아키텍처까지, 모든 패턴을 실행 가능한 노트북과 각 패턴이 적합한 상황을 명확히 안내하는 가이드로 커버합니다.