에이전트 메모리
에이전트 메모리는 AI 에이전트가 과거 상호작용, 관찰, 행동에서 얻은 정보를 저장·검색·활용하여 이후의 행동에 반영할 수 있는 능력으로, 세션을 넘어 지속적으로 맥락을 유지할 수 있게 해줍니다.
이해하기 에이전트 메모리
모든 대화가 끝날 때마다 모든 것을 잊어버리는 상태비저장(stateless) 에이전트는 한계가 있습니다. 에이전트 메모리는 세션에 묶여 있는 AI를, 사용자의 선호도를 알고 과거 논의를 기억하며, 점점 더 풍부한 작업 및 관계 모델을 구축하는 지속적인 디지털 동료로 변화시켜줍니다. 에이전트 메모리는 여러 시간 범위와 유형 간에 작동합니다. 단기 메모리는 현재 세션 내 대화 맥락을 기억합니다. 장기 메모리는 세션이 달라져도 정보를 유지하고, 사실·선호도·학습 패턴을 저장합니다. 에피소드 메모리는 과거 특정 사건과 상호작용을 기록하며, 시맨틱 메모리는 엔티티·관계·개념 등에 대한 일반 지식을 저장합니다. 워킹 메모리는 현재 추론 단계에서 사용 중인 적극적 하위 집합입니다. 각 메모리 유형에 따라 다양한 저장 방식이 적용됩니다. LLM의 컨텍스트 윈도우는 단기 워킹 메모리 역할을 합니다. ChromaDB와 같은 벡터 데이터베이스는 임베딩과 검색을 통해 시맨틱 장기 메모리를 구현합니다. PostgreSQL 등 구조화된 데이터베이스는 에피소드 기록을 저장하고, 지식 그래프는 엔티티 간의 관계를 포착합니다. 메모리 저장만큼 중요한 것이 효율적인 검색입니다. 수많은 정보를 저장해도, 상황에 맞는 정보를 빠르게 꺼내 쓰지 못하면 소용없습니다. 시맨틱 검색, 그래프 탐색, 최신성 가중 검색 등은 대규모 정보 저장소에서 관련 기억을 효율적으로 표면화하는 대표적인 전략입니다.
GAIA 활용 방법 에이전트 메모리
GAIA는 여러 저장 레이어에 걸쳐 지속적인 메모리를 유지합니다. 단기 컨텍스트는 각 워크플로우의 LangGraph 상태 내에서 관리되며, 장기 메모리는 의미 검색을 위해 ChromaDB에, 구조화된 기록을 위해 PostgreSQL에, 유연한 문서 저장을 위해 MongoDB에 저장됩니다. GAIA는 사용자의 커뮤니케이션 선호도, 과거 프로젝트 맥락, 주요 관계, 워크플로우 패턴 등을 기억하며, 시간이 지남에 따라 더 풍부한 업무 모델을 구축합니다.
관련 개념
그래프 기반 메모리
그래프 기반 메모리는 정보를 서로 연결된 노드와 관계로 저장하여, 상호작용 전반에 걸쳐 풍부한 맥락 이해와 지속적인 지식 유지를 가능하게 하는 AI 메모리 아키텍처입니다.
벡터 데이터베이스
벡터 데이터베이스는 대용량의 고차원 벡터 임베딩을 저장, 색인, 질의할 수 있도록 설계된 데이터베이스 시스템으로, 방대한 임베딩 데이터에서 유사성 검색을 빠르게 실행할 수 있습니다.
지식 그래프
지식 그래프는 정보를 엔터티, 그 속성, 그리고 이들 간의 관계로 구조화하여, 기계가 연결된 정보를 이해하고 추론할 수 있게 하는 데이터 구조입니다.
컨텍스트 인식
AI에서 컨텍스트 인식은 작업이나 상호작용을 둘러싼 전체 상황을 이해하는 능력을 의미합니다. 참여자, 이전에 일어난 일, 관련 프로젝트, 마감일, 사용자의 선호와 패턴 등이 포함됩니다.
LangGraph
LangGraph는 사이클, 분기, 조건부 로직, 지속적인 상태 관리를 지원하며 상태 기반 멀티 에이전트 AI 애플리케이션 구축을 위한 프레임워크입니다.
