aayoawoyemi/Ori-Mnemos

해결하는 문제

Ori Mnemos는 AI 에이전트를 위한 영구적이고 로컬 우선의 메모리 인프라를 제공합니다. 디스크의 일반 Markdown 파일을 사용하여 세션, 클라이언트 및 머신 간에 정보를 저장하고 검색할 수 있게 함으로써 컨텍스트 창 제한과 벤더 종속성 문제를 해결하며, 비싼 클라우드 기반 벡터 데이터베이스의 필요성을 제거합니다.

작동 방식

Ori는 메모리를 평면적인 문서 목록이 아닌 탐색 가능한 지식 그래프로 취급하는 "Recursive Memory Harness"(RMH)를 구현합니다. wiki-links를 엣지로 사용하고 의미론적 임베딩, BM25 키워드 매칭, Personalized PageRank 및 연관 온도의 네 가지 검색 신호를 결합하여 정보를 찾습니다.

이 시스템은 인지 기반 메커니즘을 사용합니다:

• 활성화 감쇠: 자주 액세스되지 않는 한, 노트는 ACT-R 방정식에 따라 시간이 지남에 따라 사라집니다.
• 재귀적 탐색: 복잡한 쿼리는 하위 질문으로 분해되고 수렴할 때까지 그래프를 가로질러 탐색됩니다.
• 검색 지능: 이 시스템은 Q-값 재순위 지정과 헤브 학습을 사용하여 함께 검색된 노트 간의 엣지를 성장시키며, 자체 사용 패턴에서 효과적으로 학습합니다.

대상 사용자

모델 변경이나 클라이언트 전환 후에도 유지되는 장기적이고 휴대 가능한 메모리가 필요한 AI 에이전트를 구축하는 개발자, 그리고 클라우드 API에 의존하지 않고 데이터를 완전히 소유하고자 하는 사람들.

하이라이트

• 클라우드 종속성 제로: 로컬 임베딩과 SQLite를 인덱싱에 사용하여 핵심 기능에 API 키가 필요하지 않습니다.
• 로컬 우선 스토리지: 데이터는 사람이 읽을 수 있는 Markdown 파일로 저장되어 Git 친화적이고 휴대 가능합니다.
• MCP 통합: 16개의 도구가 있는 Model Context Protocol (MCP) 서버를 제공하여 Claude Code, Cursor, Hermes와 같은 에이전트와 원활하게 통합됩니다.
• 고성능: 다중 홉 검색 벤치마크(HotpotQA)에서 기존 시스템보다 뛰어난 성능을 발휘하며, 장기 대화 메모리(LoCoMo)에서 최고 시스템과 일치합니다.
• 토큰 효율성: 전체 볼트를 컨텍스트 창에 덤핑하는 대신 관련 스니펫만 검색하여 토큰 비용을 크게 줄입니다.