AI, 잊을 권리를 배우다: 생물학적 망각 곡선 기반 메모리 시스템

본 시스템은 Ebbinghaus 망각 곡선(Ebbinghaus Forgetting Curve)을 활용하여 AI 에이전트의 기억을 관리한다. 구체적으로, 기억의 강도(strength)를 중요도와 재호출 빈도에 따라 조절하며, 사용되지 않는 데이터는 일정 기간이 지나면 자동으로 삭제된다. 또한, 벡터 검색(Vector Search)과 그래프 탐색(Graph Expansion)을 결합하여 의미적으로 관련된 정보를 효과적으로 검색한다. 이러한 접근 방식은 토큰 비용 절감(Token Cost Reduction)과 추론 능력 향상(Reasoning Improvement)을 동시에 달성하는 데 기여한다.

제공된 벤치마크 결과에 따르면, 본 시스템은 LoCoMo-10 데이터셋에서 59%의 Recall@5를 달성하여, Zep Cloud 대비 2배 이상의 성능을 보였다. 이는 그래프 계층(Graph Layer)을 통해 논리적 이웃 문제(Logical Neighbor Problem)를 해결하고, 관련성이 높은 정보를 효과적으로 검색한 결과로 분석된다. 하지만, 벤치마크의 신뢰성에 대한 커뮤니티의 의문(Community Doubt)도 제기되었으며, LoCoMo 데이터셋의 특성상 과도한 성능 측정이 가능하다는 지적도 있었다.

시스템은 DuckDB를 기본 벡터 데이터베이스로 사용하며, NetworkX를 그래프 백엔드로 활용한다. 또한, sentence-transformers를 통해 임베딩을 생성하고, spaCy를 사용하여 자연어 처리(NLP)를 수행한다. 이러한 기술 스택은 데이터 격리 아키텍처(Data Isolation Architecture)를 통해 각 에이전트의 개인 메모리를 보호하고, 공유 컨텍스트에 대한 접근을 제어한다. 멀티모달 분석(Multimodal Analysis)을 위한 추가적인 기능도 제공한다.

댓글에서는 AI 에이전트의 '기억'보다는 프로젝트 문서화(Project Documentation)에 집중하는 것이 더 효과적이라는 의견이 제시되었다. 특히, 개발자 문서(Developer Documentation)와 개발 계획(Development Plan)을 통해 에이전트가 필요한 정보를 얻도록 하는 것이 중요하다고 강조한다. 또한, 데이터 미저장 정책(Zero-Retention Policy)을 통해 불필요한 정보를 제거하고, 현재 작업에 집중하는 것이 생산성을 높이는 데 기여할 수 있다는 의견도 제시되었다.