SuanmoSuanyangTechnology/MemoryBear

해결하는 문제

MemoryBear는 LLM의 제한된 컨텍스트 창, 학습 데이터의 정적 성격, 여러 AI 에이전트 간 정보 공유가 불가능한 '데이터 사막' 등의 전통적 AI 메모리의 한계를 해결합니다. 생물학적 기억 과정을 모방함으로써 AI가 수동적 데이터 검색에서 능동적 인지 보조로 전환되도록 목표로 합니다.

작동 방식

MemoryBear는 인지, 추출, 연관, 망각의 라이프사이클을 구현합니다.

• 추출: 비구조화된 대화와 문서를 구조화된 삼항식(주어-동사-목적어)과 시계열 태그로 파싱합니다.
• 저장: Neo4j 기반의 그래프 우선 아키텍처로 복잡한 관계(인과, 시계열, 논리적)를 모델링하고, PostgreSQL으로 주 데이터를 저장합니다.
• 검색: Elasticsearch를 통한 정확한 키워드 매칭과 BERT 임베딩을 통한 의미 벡터 검색을 결합한 하이브리드 검색 엔진을 사용합니다.
• 망각: 사용 빈도와 시간에 따라 지식을 동적으로 감쇠시키는 '시냅스 절단' 엔진으로, 중복 데이터를 제거하여 효율성을 유지합니다.
• 반성: 스케줄된 프로세스가 논리적 충돌을 확인하고 최근 사용 기반으로 관계 가중치를 최적화합니다.

대상 사용자

장기적이고 진화하는 기억, 개인화된 사용자 기록, 다양한 전문 에이전트 간 일관된 상태를 유지할 수 있어야 하는 복잡한 AI 에이전트 또는 멀티에이전트 시스템을 개발하는 개발자.

주요 특징

• 생물학적 영감: 해마와 신피질의 인코딩 및 통합을 모방합니다.
• 하이브리드 검색: 키워드와 벡터 검색을 결합해 92%의 정확도를 달성합니다.
• 동적 망각: 낮은 가치의 지식을 절단함으로써 낭비를 60% 이상 줄입니다.
• 그래프 기반 메모리: Neo4j를 활용해 수백만 개의 엔티티와 수천만 개의 관계 엣지를 지원합니다.
• 자기 반성: 논리적 충돌을 자동으로 탐지하고 고가치 정보를 강화합니다.