aiming-lab/SimpleMem

해결하는 문제

SimpleMem은 LLM 에이전트의 장기 메모리 비효율성을 해결합니다. 기존 시스템은 과도한 토큰을 소비하는 원시 상태의 중복된 상호작용 기록을 저장하거나, 노이즈를 필터링하기 위해 느리고 비용이 많이 드는 추론 루프를 사용합니다. SimpleMem은 높은 정보 밀도로 메모리를 저장하고 검색할 수 있는 방법을 제공하여, 에이전트가 훨씬 적은 토큰을 사용하면서 더 많은 정보를 회상할 수 있도록 합니다.

작동 방식

SimpleMem은 세 가지 통합 구성 요소로 구성된 통합 메모리 스택으로 작동합니다:

• SimpleMem (Text Core): 3단계 파이프라인(Semantic Structured Compression, Online Semantic Synthesis, Intent-Aware Retrieval Planning)을 사용하여 비구조화된 대화를 상호 참조와 절대 타임스탬프가 해결된 컴팩트하고 자기 완결적인 사실로 증류합니다.
• Omni-SimpleMem (Multimodal): 엔트로피 기반의 선택적 수집, 점진적 검색(FAISS + BM25 하이브리드), 그리고 교차 모달 추론을 위한 지식 그래프 증강을 사용하여 메모리를 텍스트, 이미지, 오디오 및 비디오로 확장합니다.
• EvolveMem (Self-Evolution): 자율적인 연구 루프(Evaluate $\rightarrow$ Diagnose $\rightarrow$ Propose $\rightarrow$ Guard)를 통해 검색 하이퍼파라미터를 지속적으로 조정하고 새로운 검색 차원(쿼리 분해 등)을 발견하여 시간이 지남에 따라 성능을 향상시킵니다.

대상 사용자

다중 모달리티(텍스트, 이미지, 오디오, 비디오)에 걸친 장기적인 크로스 세션 메모리가 필요한 LLM 기반 에이전트를 구축하는 개발자와, 수동 하이퍼파라미터 조정 없이 검색 성능을 최적화하려는 개발자를 위해 설계되었습니다.

주요 특징

• 멀티모달 지원: 텍스트, 이미지, 오디오 및 비디오 메모리를 처리합니다.
• 의미적 로스리스 압축: 원시 기록과 비교하여 추론 시 토큰 소비를 약 30배 감소시킵니다.
• 자기 진화형 검색: LLM 기반의 폐쇄 루프 프로세스를 통해 자체 검색 구성을 자동으로 최적화합니다。
• 폭넓은 통합: Python 통합 또는 Claude Desktop 및 Cursor와 같은 클라이언트를 위한 MCP (Model Context Protocol) 서버로 작동합니다.