SuanmoSuanyangTechnology/MemoryBear

해결하는 문제

MemoryBear는 LLM의 제한된 컨텍스트 창, 학습 데이터의 정적 성격, 초기 대화 기록을 잊는 '최근성 편향'과 같은 기존 AI 메모리의 한계를 해결합니다. 또한, 서로 다른 에이전트가 사용자 선호사항이나 기록을 공유할 수 없는 다중 에이전트 시스템 내의 데이터 사각지대와 전문 용어 또는 맥락에 따라 달라지는 참조로 인한 추론의 의미 모호성 문제도 해결합니다.

작동 방식

MemoryBear는 인지에 영감을 받은 메모리 라이프사이클(지각, 추출, 연관, 망각)을 구현합니다. 메모리 추출 엔진은 비구조화된 데이터를 구조화된 삼항형(주어-동사-목적어)과 시계열 태그로 파싱하고, 복잡한 관계를 모델링하기 위해 Neo4j 그래프 데이터베이스에 저장합니다. 정보 검색을 위해 키워드 매칭(Elasticsearch)과 의미 벡터 검색(BERT)을 결합한 하이브리드 검색 메커니즘을 사용합니다. 마지막으로, 메모리 망각 엔진은 생물학적 시냅스 절단을 모방하여 사용되지 않는 지식의 강도를 시간이 지남에 따라 약화시키고, 자기 반성 엔진은 정기적으로 논리적 일관성을 점검하며 관계 가중치를 최적화합니다.

대상 사용자

다양한 세션과 에이전트 간에 장기적이고 진화하는, 개인화된 메모리가 필요한 고급 AI 에이전트 및 다중 에이전트 시스템을 개발하는 개발자들을 위한 것입니다.

주요 특징

• 그래프 우선 아키텍처: 수백만 개의 엔티티와 복잡한 관계 엣지를 지원하는 Neo4j 사용.
• 시냅스 절단: 불필요한 지식을 제거하여 낭비를 줄이는 동적 망각 메커니즘.
• 하이브리드 검색: 벡터 검색과 키워드 검색을 결합해 92%의 검색 정확도 달성.
• 자기 반성: 논리적 모순을 탐지하고 고가치 지식을 강화하는 자동화된 일일 프로세스.
• 고성능: FastAPI 서비스 레이어로 1000 QPS를 유지하며 50ms 미만의 지연 시간을 제공.