에이전트 메모리 엔진 (4/10) — memcore: SQLite로 다시 짠 메모리 코어, 51 tests

-
memcore — SQLite로 다시 짠 메모리 코어, 51 tests pass

부제: bank/ 40 파일 → 236 curated + 4 entities + 15 topics, 0 errors

핵심 요약

  • memcore 라이브러리 완성: SQLite + Python 표준 라이브러리만 사용, WAL 모드, 9 테이블, FTS5 가상 테이블.
  • 보존 자산 7/8 이식 완료. bank/ 40 파일을 단 한 번에 0 에러로 변환했다.
  • Hermes의 MemoryProvider 어댑터까지 붙여 51 tests, 0 failures.
1. memcore 라이브러리

1. memcore 라이브러리

설계 원칙은 두 가지였다. 외부 의존 없음, 단일 파일 DB.

  • SQLite + Python stdlib only
  • WAL mode (동시 읽기·쓰기 안정성)
  • 9 테이블: meta, u_patterns + 3 자식 테이블, identity, curated, entities, topics, topic_curated, episodes
  • FTS5 가상 테이블 curated_fts — unicode61 토크나이저로 한·영 혼용 검색 지원

데몬을 두지 않은 게 중요하다. 프로세스 아닌 파일이 진실의 원본이 된다. 백업·롤백·검증이 단순해진다.

2. 보존 자산 이식 7/8 완료

자산 모듈 상태
user-pattern-stage.py memcore.dialectic ✅
confidence-decay.py memcore.decay ✅
bank-lint.py memcore.lint ✅
entity-audit.py memcore.entities ✅
topics-validate / expand memcore.topics ✅
retain-extract / merge memcore.ingest ✅
recall-tree / match memcore.prefetch ✅
docs-snapshot / release-check Hermes cron payload ⏸ (OS 레벨, 다음 주차)

이식 1~2일이라고 추정했는데 거의 비슷하게 끝났다. 코드 자체는 한나절, 테스트가 더 걸렸다.

3. bank/ → memcore 마이그레이션

3. bank/ → memcore 마이그레이션

마이그레이션 스크립트(memcore.bank_migrate)를 작성하면서 지킨 원칙:

  • READ-ONLY on source — bank/는 한 글자도 건드리지 않는다.
  • rsync 스냅샷 — 변환 전에 시점 고정.
  • 4-phase parse — 식별 / 청크 / 링크 / 검증.
  • --incremental — 같은 명령으로 재실행 가능.

실제 실행 결과는 한 줄로 끝났다.

40 files → 236 curated + 4 entities + 15 topics + 514 links, 0 errors

curated 분포: - knowledge 150 - pattern 28 - daily 17 - world 14 - identity 13 - experience 10 - opinion 4

이 분포를 보면 시스템이 무엇을 더 많이 기억하고 있었는지가 한눈에 보인다. 지식과 패턴이 압도적이다. 의견은 의외로 적다.

4. Hermes MemoryProvider 어댑터

~/Hermes/hermes-data/plugins/memory/memcore/__init__.py

MemcoreProvider(MemoryProvider)로 모든 메서드를 구현했다. - prefetch: memcore.prefetch.search 경유 (토픽 → FTS5 → LIKE 폴백) - on_session_end: memcore.ingest를 자동 호출

스모크 테스트는 실제 memcore.db를 대상으로 돌렸고 전부 PASS.

5. 테스트 스위트 — 51 / 51

  • 정식 테스트 5종: dialectic / decay / lint / entities / topics / bank_migrate
  • inline smoke: ingest (11) + prefetch (8) + plugin (9)
  • 총 51 tests, 0 failures

테스트가 51개라는 게 중요한 게 아니라, 마이그레이션 도중 회귀를 잡을 수 있는 안전망이 생겼다는 게 중요하다.

6. Strangler Fig 동작 모델 (확정)

이사 전략을 한 번 더 정리하면 이렇다.

  1. OpenClaw는 계속 굴러간다 (Reflect 03:00 그대로).
  2. memcore incremental sync를 LaunchAgent로 주기 실행.
  3. Hermes는 memcore만 바라본다.
  4. 검증 통과 → OpenClaw 종료 → memcore가 계승.
  5. 롤백은 단순 — OpenClaw 재시작.

두 시스템이 같은 진실을 다른 시점에 보는 형태다. 컷오버가 무서운 이유는 이 동기 시점이 어긋날 때이고, 그래서 incremental sync의 정확성이 다음 주차의 핵심 검증 항목이 된다.

정리

Week 1~2 작업의 끝은 "데이터를 한 번 옮기고, 그게 깨지지 않았는지 51개 테스트로 확인했다"로 요약된다. Hermes는 아직 켜지 않았다. 다음 글에서 그 전에 발견한 솔직한 누락을 정리한다.

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 »