aayoawoyemi/Ori-Mnemos

What it solves

Ori Mnemos는 AI 에이전트를 위한 영구적이며 로컬‑퍼스트 메모리 인프라를 제공합니다. 컨텍스트 윈도우 제한과 세션 간 "잊혀짐" 문제를 메모리를 평면 문서 리스트가 아니라 탐색 가능한 지식 그래프로 취급함으로써 해결하고, 에이전트가 일관된 정체성을 유지하면서 비용이 많이 드는 클라우드 데이터베이스에 의존하지 않고 복잡한 정보를 검색할 수 있게 합니다.

How it works

Ori는 "Recursive Memory Harness"(RMH)를 구현하여 메모리를 탐색해야 할 환경으로 간주합니다. 디스크에 저장된 마크다운 파일을 기본 저장소로 사용하고, 위키‑링크를 지식 그래프의 엣지로 활용합니다. 검색은 의미 임베딩, BM25 키워드 매칭, Personalized PageRank, 그리고 ACT‑R 인지 감쇠 모델에 기반한 "연상 온도" 네 가지 신호를 융합하여 수행됩니다.

시간이 지남에 따라 개선하기 위해 시스템은 세 단계의 검색 인텔리전스를 사용합니다: 세션 결과에 기반한 Q‑value 재정렬, 함께 검색된 노트 간에 공동 발생 엣지를 생성하는 Hebbian 학습, 그리고 특정 쿼리 유형에 대해 어떤 검색 단계를 실행할지 최적화하는 컨텍스트 밴딧 메타‑러너입니다.

Who it’s for

장기 메모리와 클라이언트 간 지속적인 정체성(Claude Code, Cursor, Hermes 등)을 필요로 하고, 벤더 락인 없이 데이터에 대한 완전한 소유권을 원하는 AI 에이전트 개발자를 위해 설계되었습니다.

Highlights

• Local-First Architecture: 마크다운 파일과 SQLite를 사용하며, 클라우드 API나 외부 데이터베이스 인프라가 필요 없습니다.
• Cognitive Forgetting: ACT‑R 기본 레벨 학습 방정식을 구현하여 관련성과 사용량에 따라 노트를 감쇠시킵니다.
• Recursive Exploration: 복잡한 질문을 하위 질문으로 분해하고 수렴할 때까지 그래프를 탐색합니다.
• MCP Integration: Model Context Protocol (MCP) 서버를 제공하고, 에이전트가 자체 메모리를 관리할 수 있도록 16개의 도구를 포함합니다.
• High Performance: 멀티홉 검색 벤치마크(HotpotQA)에서 Mem0 등 경쟁자를 능가하며, 지연 시간을 크게 낮춥니다.