adoresever/graph-memory

Deepseek Harness、Openclaw知识图谱记忆插件。2026年4月受邀发布在清华大学讨论会。Knowledge Graph + Memory；Knowledge Graph Context Engine for OpenClaw — extracts structured triples from conversations, compresses context 75%, enables cross-session experience reuse

해결하는 문제

Graph Memory는 긴 AI 에이전트 대화에서 발생하는 "컨텍스트 점유" 문제를 해결합니다. 메시지 기록이 늘어나면 너무 많은 토큰을 소비하여 모델 성능이 저하됩니다. 이 플러그인은 이전 기록을 아카이빙하면서도 이전 턴이나 다른 세션의 중요한 지식을 확실하게 불러올 수 있도록 하여 컨텍스트 윈도우가 압도되는 것을 방지합니다.

작동 방식

DeepSeek Harness (DSH) 및 OpenClaw를 위한 메모리 플러그인으로 작동합니다. 모든 메시지를 활성 윈도우에 유지하는 대신, 최근 몇 턴만 유지하고 오래된 기록은 압축된 아카이브 마커로 대체합니다. 완료된 턴에서 추출된 요약과 주어-술어-목적어 (SPO) 트리플을 저장하기 위해 그래프 기반 탐색 레이어를 사용합니다. 관련 있는 오래된 정보가 필요할 때, 시스템은 벡터 검색(FTS5 폴백 포함)을 사용하여 그래프를 탐색하고, 그래프 노드 자체를 사실의 페이로드로 의존하는 대신 정확한 원본 질문과 최종 답변을 증거로 불러옵니다.

대상 사용자

DeepSeek Harness (DSH) 또는 OpenClaw를 사용하는 개발자 및 사용자로, 막대한 토큰 비용을 발생시키지 않으면서 여러 대화 턴이나 다중 세션에 걸쳐 장기 기억이 필요한 에이전트를 구축하는 분들.

주요 특징

상당한 토큰 절감: 20턴 대화에서 첫 요청 토큰을 최대 80%까지 절감한 사례가 있습니다.
출처 기반 리콜: 요약뿐만 아니라 정확한 원본 소스 메시지를 불러와 사실의 정확성을 보장합니다.
지속 가능한 저장소: 로컬 SQLite를 사용하여 세션 및 프로젝트 간에 안정적인 메모리를 제공합니다.
경량 추출: 사용자 질문과 최종 답변만 추출하고 추론 및 도구 추적은 무시하여 메모리를 깔끔하게 유지합니다.
유연한 검색: OpenAI 호환 임베딩 엔드포인트를 통한 벡터 검색과 전체 텍스트 검색 (FTS5) 폴백을 지원합니다.