출처: Asif Razzaq / Marktechpost 문서유형: 번역·해설 #AIAgent #AgentMemory #LLM #RAG #VectorDB 개요 LLM은 본래 기억이 없습니다. API 호출 한 번이 끝나면 직전 메시지를 모두 잊어버리죠. 단일 질문에는 문제가 없지만, 에이전트를 만드는 순간 이 한계가 곧바로 드러납니다. 에이전트는 여러 단계에 걸쳐 계획을 세우고 도구를 호출하면서 일을 끝내야 하니까요. 그 차이를 메우는 것이 메모리 시스템입니다. Marktechpost의 Asif Razzaq는 에이전트 메모리를 시간축(단기·장기) 과 형태(파라메트릭·비파라메트릭) 두 축으로 나누고, 실제 구현에서 자주 쓰이는 일곱 가지 유형을 정리했습니다. ...
매 세션마다 같은 아키텍처를 재설명하고, 같은 버그를 다시 발견하고, 같은 코딩 컨벤션을 재학습시키는 데 질려본 사람이라면 주목할 만한 프로젝트가 나왔다. agentmemory — Claude Code, Cursor, Codex CLI, Gemini CLI 등 모든 AI 코딩 에이전트에 영구 메모리를 붙여주는 오픈소스 엔진이다. 출시 직후 GitHub 10K 스타를 넘겼고, Karpathy의 LLM Wiki 패턴을 확신 점수·수명 주기·지식 그래프·하이브리드 검색으로 확장한 구현체로 평가받고 있다. ...
핵심 요약 IBM의 **“What is AI agent memory?”**는 AI 에이전트가 왜 메모리를 필요로 하는지 설명합니다. 핵심은 단순합니다. 에이전트가 매번 새로운 요청처럼 반응하면, 복잡한 업무를 이어서 처리하거나 사용자에게 맞춰 적응하기 어렵습니다. 진짜 일하는 에이전트가 되려면 과거 상호작용, 행동 결과, 업무 규칙을 저장하고 다시 불러올 수 있어야 합니다. ...
핵심 요약 AI 에이전트를 만들 때 많은 팀이 먼저 모델과 도구를 고릅니다. 어떤 LLM을 쓸지, 어떤 프레임워크를 붙일지, 어떤 벡터 DB를 연결할지부터 고민합니다. 그런데 Oracle의 글 **“Oracle AI Agent Memory”**가 짚는 핵심은 조금 다릅니다. ...
출처: Letta Blog 문서유형: 원문 해설 #AIAgent #AgentMemory #ContextEngineering #MemGPT #Letta 핵심 요약 Letta의 글 **“Agent Memory: How to Build Agents that Learn and Remember”**는 에이전트 메모리를 “대화를 저장하는 기능”보다 훨씬 넓게 설명합니다. 핵심은 이겁니다. 에이전트가 기억한다는 것은, 결국 지금 이 순간 컨텍스트 윈도우 안에 어떤 토큰을 넣을지 설계하는 일입니다. ...
출처: Mem0 문서유형: 번역·해설 #Mem0 #AgentMemory #AIAgent #LLMOps 핵심 요약 많은 AI 에이전트는 처음에 MEMORY.md, CLAUDE.md, .cursorrules 같은 파일 하나로 기억을 시작합니다. 작고 단순할 때는 이 방식이 빠르고 투명합니다. 문제는 사용자가 늘고, 기억이 쌓이고, 여러 에이전트가 동시에 쓰기 시작하는 순간부터입니다. ...
출처: Databricks 문서유형: 번역·해설 #Databricks #AgentMemory #AIAgent #MemAlign #LLMOps 핵심 요약 Databricks는 AI 에이전트 성능을 키우는 새로운 축으로 memory scaling을 제안합니다. 더 큰 모델이나 더 긴 추론만으로는 부족하고, 에이전트가 과거 대화, 피드백, 성공·실패한 실행 궤적, 조직 지식을 얼마나 잘 저장하고 꺼내 쓰는지가 성능을 좌우한다는 관점입니다. ...
출처: Mem0 문서유형: 번역·해설 #Mem0 #AgentMemory #AIAgent #LLMOps #OpenMemory 핵심 요약 Mem0의 State of AI Agent Memory 2026은 한 가지를 분명히 말합니다. 에이전트 메모리는 더 이상 “대화 기록을 컨텍스트에 넣는 꼼수”가 아닙니다. 벤치마크, 전용 인프라, graph memory, MCP 기반 로컬 메모리까지 갖춘 독립 아키텍처가 됐습니다. ...