grpcer/ownmem

해결하는 문제

OwnMem은 AI 코딩 에이전트를 위한 관리형 Git 기반 메모리 시스템을 제공합니다. 프로젝트 지식을 투명한 클라우드 데이터베이스가 아닌, 리포지토리 내부의 검토 가능한 Markdown 파일로 저장함으로써 '메모리 오염'과 신뢰할 수 없는 AI 기억을 해결합니다. 이를 통해 Claude Code, Cursor, Gemini CLI와 같은 다양한 AI 에이전트가 버전 관리, 감사, 롤백이 가능한 단일한 결정론적 진실 원천을 공유할 수 있습니다.

작동 방식

OwnMem은 메모리 기록과 에이전트에 제공하는 과정을 분리합니다.

1. Git 기반 저장: 지식은 .ownmem/ 폴더에 Markdown 형식으로 저장됩니다. 신뢰 수령 증거와 메타데이터는 본문과 별도로 관리되어 AI가 자가 신뢰를 주장하는 것을 방지합니다.
2. 컴파일: 쿼리 시 원시 텍스트를 읽는 대신 OwnMem은 메모리를 변경 불가능하고 콘텐츠 주소 기반의 스냅샷으로 컴파일하여 빠르고 재현 가능한 기억을 제공합니다.
3. 결정론적 검색: 외부 LLM이나 네트워크 호출 없이도 5개의 로컬 후보 채널(정확 일치, BM25F, n-gram, 퍼지, 그래프)을 사용해 관련 정보를 찾습니다.
4. 전달 게이트: 정보가 에이전트에 전달되기 전에 네 가지 게이트(관련성, 인지적 타당성, 작업 적용성, 행동 리스크)를 통과해야 합니다. 증거가 부족할 경우 정보는 격리되거나 전달되지 않을 수 있습니다.
5. 제한된 진화: 저위험 메타데이터(R0)는 자동 업데이트 가능하지만, 새로운 글이나 정책 업데이트와 같은 고위험 변경은 인간 검토가 필요합니다.

대상 사용자

코드와 함께 이동 가능한, 투명하고 검토 가능한 프로젝트 전용 메모리를 원하는 개발 팀을 위한 것입니다. 최대 기억량보다 거버넌스와 로컬 우선의 프라이버시를 우선시하는 사용자에게 이상적입니다.

주요 특징

• 에이전트 간 호환성: Claude Code, Codex, Cursor, Gemini CLI 등 다양한 호스트에서 작동합니다.
• 증거 기반 신뢰: 콘텐츠는 스스로를 승인할 수 없습니다. 독립적인 수령 증거가 전달 여부를 결정합니다.
• 로컬 우선: 기본 랭킹은 로컬에서 수행되며, 리트리ieval API 요금이나 네트워크 요청이 필요하지 않습니다.
• 결정론적 기억: 동일한 쿼리와 스냅샷은 항상 동일한 랭킹을 생성합니다.
• 안전한 롤백: 자동 편집은 검증된 역작업을 포함하여 기록을 삭제하지 않고 이전 상태로 복원할 수 있습니다.