automem: AI 에이전트에 지속적(Relational) 장기 메모리를 제공하는 그래프+벡터 하이브리드 메모리

1. 개요

automem은 AI 에이전트에게 세션 간에도 유지되는 지속적(durable)이며 관계형(relational) 장기 메모리를 제공하는 오픈소스 메모리 시스템입니다. 단순히 “비슷한 문장”을 찾는 수준을 넘어, 대화/결정에서 추출된 **개체(Entity)**와 **관계(Relationship)**를 구조화해 “무엇이 무엇과 어떻게 연결되는지”까지 기억하도록 설계되었습니다.

GitHub 공개 프로젝트(verygoodplugins/automem)로, Python 중심 코드베이스를 기반으로 Flask REST API 서버, 그래프 DB(FalkorDB), **벡터 DB(Qdrant)**를 결합해 구현됩니다. 핵심 목표는 어시스턴트가 장기적으로 사용자/업무 맥락을 유지하고, 기억 간 의미적 연결과 시간적 변화까지 반영해 더 정확한 회상(recall)과 추론(reasoning)을 수행하게 하는 것입니다.

---

2. 차별성

기존 방식의 한계 (기존 vs 새로운 방식)

핵심 역량

• 대화/결정 내용에서 개체(Entity) 추출 → 관계 그래프 모델링
• Typed relationship(11종) 기반의 의미 연결(예: RELATES_TO, PREFERS_OVER, EVOLVED_INTO 등)
• Hybrid retrieval: 벡터 유사도 + 그래프 멀티홉 탐색으로 회상 정확도 향상
• 시간/중요도/태그/콘텐츠 기반의 멀티 신호 검색(multi-signal retrieval)

---

3. 시스템 구성 요소

주요 컴포넌트

작동 원리(흐름)

[Client/Agent]
   |
   | 1) 대화/사실/결정 저장 요청 (REST)
   v
[Flask API Server]
   |
   | 2) Entity 추출 + Relationship 생성/갱신
   v
+-------------------+        +-------------------+
| FalkorDB (Graph)  |        | Qdrant (Vector)    |
| - Entities        |        | - Embeddings       |
| - Typed edges     |        | - Similarity search|
+-------------------+        +-------------------+
   ^                               ^
   | 3) 관계 쿼리/멀티홉 탐색        | 3) 벡터 후보 검색(kNN)
   +---------------+---------------+
                   |
                   | 4) Hybrid retrieval 결합/랭킹
                   v
            [Relevant Memories]
                   |
                   | 5) 응답/컨텍스트로 반환
                   v
              [Client/Agent]

핵심 컴포넌트 상세

3.1 FalkorDB(그래프 메모리)의 의미

• 기억을 “문장 덩어리”가 아니라 **개체(Entity)**와 **관계(Edge)**로 저장합니다.
• PREFERS_OVER 같은 선호 관계, EVOLVED_INTO 같은 변화/진화 관계를 통해 시간에 따른 맥락 변화도 표현할 수 있습니다.
• 그래프 탐색은 “A와 관련된 B, 그리고 B와 연결된 C” 같은 멀티홉 질의에 유리합니다.

3.2 Qdrant(벡터 메모리)의 의미

• 텍스트/콘텐츠를 임베딩으로 저장해 의미 유사도 기반 recall을 제공합니다.
• 그래프만으로는 놓치기 쉬운 “표현이 달라도 의미가 유사한 기억”을 빠르게 후보로 찾는 데 강점이 있습니다.

3.3 Flask REST API 서버의 의미

• 에이전트 프레임워크/외부 서비스가 언어/런타임에 상관없이 메모리 기능을 사용할 수 있도록 HTTP 엔드포인트로 추상화합니다.
• 저장/조회/업데이트를 표준화해, “메모리 시스템”을 독립 서비스로 운영하기 쉽습니다.

---

4. 검증된 성능

LoCoMo(ACL 2024) 기준 장기 대화 기억 성능

automem은 LoCoMo(Long-Term Conversational Memory) 벤치마크에서 90.53% 정확도를 기록했습니다.

• CORE 대비: +2.29%p (90.53 - 88.24)
• 베이스라인 대비: +51.53%p (90.53 - 39)

요약: 그래프-벡터 하이브리드 구조를 통해 “오래 기억”할 뿐 아니라 “관계를 이해하는” 방향으로 장기 대화 기억 성능을 크게 끌어올린 사례로 볼 수 있습니다.

---

5. 사용 방법 (개요 수준)

프로젝트의 실제 설치/실행 명령은 저장소 README 및 배포 형태(Docker/로컬 실행 등)에 따라 달라질 수 있습니다. 아래는 구성 요소 관점의 대표 흐름입니다.

설치/구성(예시)

# 1) 저장소 클론
git clone https://github.com/verygoodplugins/automem.git
cd automem

# 2) (권장) 가상환경 생성
python -m venv .venv
source .venv/bin/activate

# 3) 의존성 설치 (프로젝트 설정에 따라 requirements/pyproject 사용)
pip install -r requirements.txt

기본 사용 예시(REST 호출 형태)

# 메모리 저장(예시)
curl -X POST http://localhost:5000/memory \
  -H "Content-Type: application/json" \
  -d '{
    "content": "사용자는 다크 모드를 선호한다.",
    "tags": ["preference", "ui"],
    "importance": 0.8
  }'

# 메모리 조회(예시: 질의 기반)
curl -X POST http://localhost:5000/memory/search \
  -H "Content-Type: application/json" \
  -d '{
    "query": "사용자 UI 선호도",
    "top_k": 5,
    "signals": ["vector", "graph", "time", "importance", "tags"]
  }'

---

6. 적용 시나리오

적합한 사용 사례

• 개인화 어시스턴트: 사용자 선호/금기/업무 맥락을 장기간 유지(예: PREFERS_OVER)
• 업무 에이전트(Ops/Dev/PM): 결정 사항과 근거, 변경 이력의 관계를 추적(예: EVOLVED_INTO)
• 지식 관리/CRM: 인물/조직/프로젝트 간 관계를 그래프로 축적하고 필요 시 멀티홉으로 회상
• 멀티 에이전트 협업: 에이전트 간 공유 가능한 “관계형 메모리 레이어”로 활용

제한사항(설계/운영 관점)

• 스키마/관계 타입 설계가 품질을 좌우: 어떤 엔티티를 뽑고 어떤 관계를 생성할지에 따라 성능 변동
• 그래프+벡터 운영 복잡도 증가: DB 2종 운영, 백업/마이그레이션/관측(Observability) 필요
• 개인정보/민감정보를 장기 저장할 수 있으므로 보안/거버넌스(PII, retention policy) 설계가 필수

---

7. 결론

automem은 벡터 검색의 recall과 그래프 관계 추론의 구조적 강점을 결합해, AI 에이전트가 세션 간에도 기억을 유지하고 기억 간 관계까지 이해하도록 만든 관계형 장기 메모리 시스템입니다. LoCoMo 기준 최고 수준의 정확도를 통해, “장기 대화 기억”을 실제 제품/에이전트에 적용 가능한 형태로 끌어올린 접근으로 평가할 수 있습니다.

---

8. 참고 자료

• GitHub: https://github.com/verygoodplugins/automem
• FalkorDB: https://www.falkordb.com/
• Qdrant: https://qdrant.tech/