verygoodplugins/automem

What it solves

AutoMem은 AI 어시스턴트에 장기 기억을 제공하여 표준 RAG 및 벡터 데이터베이스의 한계를 해결합니다. 기존 RAG는 키워드 유사도에 기반해 문서를 반환할 뿐, 컨텍스트를 이해하거나 시간이 지나면서 학습하지 못합니다. AutoMem은 타입화된 관계와 임베딩을 모두 저장해 단순한 사실뿐 아니라 의사결정 뒤에 있는 추론, 대안, 원칙까지 회상할 수 있습니다.

How it works

AutoMem은 이중 저장 아키텍처를 사용해 기억을 관리합니다:

• Graph Layer (FalkorDB): 정규 기록으로 작동하며, 기억을 노드로 저장하고 PREFERS_OVER, LEADS_TO, CONTRADICTS 등 11가지 특정 관계 유형으로 연결합니다.
• Vector Layer (Qdrant): 각 기억에 대한 임베딩을 저장해 의미 검색을 가능하게 합니다.

회상은 의미 유사도, 그래프 탐색, 시간 정렬, 중요성을 결합한 하이브리드 쿼리를 통해 수행됩니다. 시스템은 또한 신경과학에서 영감을 받은 통합 사이클(Decay, Creative, Cluster, Forget)을 구현해 중요한 연결을 강화하고 시간이 지남에 따라 관련 없는 정보를 서서히 사라지게 합니다. Model Context Protocol (MCP) 브리지 또는 직접 REST API를 통해 AI 클라이언트에 통합할 수 있습니다.

Who it’s for

• Claude, Cursor, ChatGPT 등 다양한 AI 도구 간에 지속적인 기억 레이어를 원하는 솔로 개발자, 프로슈머, 소규모 팀.
• Docker 또는 Railway을 사용해 데이터를 자체 호스팅하고 공급자 종속을 피하고자 하는 사용자.
• 대규모 컨텍스트 확장과 연관 기억의 효율적인 검색이 필요한 AI 에이전트를 구축하는 개발자.

Highlights

• Hybrid Retrieval: 그래프 기반 다중 홉 탐색과 벡터 임베딩을 결합해 더 깊은 컨텍스트를 제공.
• Typed Relationships: 인과관계와 모순 등 복잡한 논리를 포착하는 11가지 사용자 정의 가능한 엣지 타입을 지원.
• Biological Consolidation: 주기적인 사이클을 통해 인간 기억을 모방하고, 낮은 관련성 데이터를 정리하며 패턴을 클러스터링.
• High Efficiency: 대규모 컨텍스트 확장에 최적화되어 답변자에게 전달되는 토큰 수를 줄이면서도 대규모 데이터셋에서 높은 검색 성능을 유지합니다.