aayoawoyemi/Ori-Mnemos

해결하는 문제

Ori Mnemos는 AI 에이전트를 위한 영구적이고 로컬 우선(local-first)인 메모리 인프라를 제공합니다. 클라우드 의존적인 벡터 데이터베이스나 벤더 종속성을 제거하고, 디스크에 저장된 일반 Markdown 파일을 사용하여 정보를 저장하고 검색함으로써 사용자가 모든 데이터를 완전히 소유할 수 있도록 보장합니다.

작동 원리

Ori는 Recursive Memory Harness (RMH) 프레임워크를 구현하여 메모리를 평면적인 검색 인덱스가 아닌 탐색 가능한 지식 그래프로 처리합니다. Markdown 파일을 노드로, wiki-links를 에지로 사용합니다. 이 시스템은 ACT-R 활성화 감쇠(관련 없는 정보를 잊기 위함) 및 헤브 학습(Hebbian learning, 함께 검색된 노트 간의 연결을 강화하기 위함)을 포함한 인간 인지의 수학적 모델을 채택합니다.

검색은 BM25, 임베딩(embeddings), PageRank 융합을 통해 처리됩니다. 복잡한 쿼리의 경우, 질문을 하위 질문으로 분해하고 그래프를 탐색하여 답을 찾는 "탐색적 재귀(navigated recursion)"를 사용합니다. CLI, 프로그래밍 라이브러리, 그리고 직접적인 에이전트 통합을 위한 MCP (Model Context Protocol) 서버를 통해 액세스할 수 있습니다.

대상 사용자

개인 정보 보호가 가능하고 로컬에서 작동하며, 사용 패턴에 따라 진화할 수 있는 장기적인 세션 간 메모리가 필요한 AI 에이전트를 구축하는 개발자를 위해 설계되었습니다.

주요 특징

• 로컬 우선 아키텍처: Markdown 파일과 SQLite를 사용하며, 검색을 위해 API 키나 클라우드 인프라가 필요하지 않습니다.
• 인지적 망각: ACT-R 기본 수준 학습 방정식을 구현하여 중요하지 않은 정보를 자연스럽게 감쇠시키고 잊어버립니다.
• 그래프 기반 검색: 개인화된 PageRank와 확산 활성화를 사용하여 wiki-links를 통해 메모리를 탐색합니다.
• 재귀적 탐색: 해결되지 않은 쿼리를 하위 질문으로 분해하여 지식 그래프의 탐색을 유도합니다.
• 에이전트 통합: Claude Code, Hermes, OpenCode 및 모든 MCP 호환 클라이언트를 위한 브리지를 제공합니다.