온톨로지와 메모리 시스템 (4/13) — AI 에이전트 메모리 시스템 설계: 23개 기능 구성

-
AI 에이전트 메모리 시스템 설계 — 23개 기능 구성과 운영 가이드

네이티브 5개 + 커스텀 6개 + 스크립트 12개로 구축한 OpenClaw 메모리 아키텍처

핵심 요약

  • 메모리 시스템을 네이티브(5) + 커스텀(6) + 자동화 스크립트(12) 총 23개 기능으로 구성했다
  • Reflect 파이프라인으로 API 토큰 96% 절감, Confidence Decay로 오래된 의견 자동 감쇠
  • 운영 타임라인 순서(Reflect → Session Reset)를 지키지 않으면 데이터 손실이 발생한다

배경

AI 에이전트가 장기 운영되려면 메모리 관리가 핵심이다. 대화 내용을 무한정 쌓으면 토큰이 폭발하고, 무조건 지우면 맥락을 잃는다. OpenClaw 기반으로 구축한 메모리 시스템의 전체 구조를 정리한다.

본문

커스텀 기능 6개

네이티브 기능 5개 (openclaw.json 설정)

  • Memory Flush: 6,000 토큰 임계값에서 대화를 마크다운으로 저장
  • Compaction (safeguard 모드): 24,000 토큰 최소 예약으로 페르소나 보존
  • Session Reset/Maintenance: 매일 새벽 4시 리셋, 30일 후 자동 삭제
  • Context Pruning: 1시간 미사용 캐시 정리
  • Memory Search (Hybrid): 벡터 검색(0.7) + 텍스트 매칭(0.3)

커스텀 기능 6개

  • Retain 태그: W(지식), B(경험), O(의견+확신도), S(엔티티 상태) 분류
  • Bank 4-Tier 구조: Identity → Curated → Project → Episode 계층화
  • Reflect 파이프라인: 로컬 LLM 1차 처리 → 클라우드 최종 판단. 토큰 96% 절감(277k→5k)
  • Topic-Cued Recall: 0.1초 미만 실시간 키워드 기반 메모리 호출
  • Confidence Decay: 의견 확신도 일일 -0.02 자동 감쇠, 0.30 이하 삭제
  • Resolution Levels: 미활성 엔티티를 L2(전체) → L1(요약) → L0(제목만) 단계적 압축
시행착오 / 주의사항

자동화 스크립트 12개

retain-merge.py, memory-archive.sh, conflict-apply.py 등 12개 스크립트가 검증, 정리, 캐시 관리를 수행한다. 전부 Python/bash 기반이라 추가 비용은 0원이다.

시행착오 / 주의사항

운영 타임라인 순서가 치명적이다. 새벽 03:00에 Reflect 파이프라인이 실행된 후, 04:00에 Session Reset이 동작해야 한다. 이 순서가 뒤바뀌면 Reflect가 처리하기 전에 세션 데이터가 날아간다.

Confidence Decay처럼 시간 기반 수학적 감쇠는 LLM 판단보다 환각(hallucination) 오류가 없으므로 반드시 스크립트로 구현해야 한다.

마무리

메모리 시스템의 핵심은 "무엇을 기억할 것인가"보다 "무엇을 잊을 것인가"에 있다. 23개 기능은 많아 보이지만, 네이티브 설정 → 커스텀 로직 → 자동화 스크립트 순으로 계층화하면 관리 가능한 구조가 된다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »