winstonkoh87/Athena-Public

해결하는 문제

Athena는 신뢰할 수 없고, 투명하지 않으며, 벤더에 종속된 AI 메모리의 문제를 해결합니다. 대부분의 AI 어시스턴트는 모델 전환(예: GPT에서 Claude로) 또는 모델 업데이트 시에 사라지는 플랫폼 전용 메모리에 의존합니다. Athena는 메모리 계층을 사용자의 로컬 머신으로 이동시켜 개인적 맥락, 의사결정 프레임워크, 세션 기록을 사용자가 소유하고, 어떤 LLM 제공자와도 포터블하게 유지할 수 있도록 합니다.

작동 방식

Athena는 AI 기능을 갖춘 IDE(예: Cursor 또는 VS Code)와 추론 엔진 사이의 메모리 및 거버넌스 계층으로 작동합니다. 클라우드 메모리에 의존하지 않고, 수백 개의 작고 주소 가능한 Markdown 파일과 Python 스크립트로 구성된 로컬 워크스페이스를 사용합니다. 이 파일들은 에이전트가 의미적 검색이나 파일명을 통해 특정 노드를 외과적으로 질의할 수 있는 '메모리 노드'로 작용하며, 거대한 단일 텍스트를 로드하는 대신 효율적으로 정보를 접근합니다. 이 모듈식 아키텍처는 가벼운 부팅(2K–20K 토큰)을 가능하게 하면서도 수천 번의 세션에 걸친 방대하고 누적된 기록을 유지할 수 있습니다.

대상 사용자

다른 LLM 제공자 간에 지속 가능한 주권적이고 장기적인 메모리 시스템을 원하는 사용자. 동시에 벤더 종속성을 피하고, 개인적 맥락을 활용하여 AI의 추론과 의사결정을 향상시키고자 하는 사용자에게 적합합니다.

주요 특징

• 로컬 우선 소유: 모든 메모리는 사용자 디스크에 일반 Markdown 파일로 저장되어 Git을 통한 버전 관리가 가능합니다.
• 모델 독립성: 동일한 메모리 기반은 ChatGPT, Claude, Gemini 또는 다른 어떤 모델과도 사용할 수 있습니다.
• 에이전트 거버넌스: '불가역적 파멸'을 방지하기 위한 헌법적 법칙과 기능 수준 세트를 포함하여, 문서화된 패턴에 기반해 AI가 사용자에게 반박하도록 유도합니다.
• 외과적 검색: AI 에이전트가 특정 정보 노드를 효율적으로 질의할 수 있도록 최적화된 모듈식 파일 시스템으로, 컨텍스트 창 공간을 낭비하지 않습니다.
• 인간 능력 증강: 일반적인 통계 평균이 아닌, 개인적 맥락을 활용해 상황에 맞게 조정된 답변을 제공함으로써 인간의 인지 능력을 보완합니다.