메모리 증강 AI
메모리 증강 AI는 외부의 영구적인 메모리 시스템에 연결하여 언어 모델의 역량을 확장하는 AI 아키텍처로, 에이전트가 단일 컨텍스트 윈도우의 한계를 넘어 정보를 기억하고 다시 활용할 수 있도록 합니다.
이해하기 메모리 증강 AI
언어 모델은 본질적으로 상태가 없는(stateless) 구조로, 매번 추론 호출이 컨텍스트 윈도우의 정보만을 가지고 새로 시작됩니다. 메모리 증강은 지속 가능한 외부 저장 공간을 제공함으로써 이러한 한계를 해결합니다. 에이전트가 과거 상호작용에서 맥락이 필요할 때, 외부 저장소에서 관련 메모리를 불러와 현재 컨텍스트에 주입합니다. 이를 통해 고정된 컨텍스트 윈도우의 제약 안에서도 지속적인 기억 효과를 얻을 수 있습니다. 메모리 증강 아키텍처는 다양한 저장소 백엔드를 활용합니다. 의미 기반 검색에는 벡터 데이터베이스, 관계형 메모리에는 그래프 데이터베이스, 그리고 에피소드 기록에는 구조화된 데이터베이스가 사용됩니다.
GAIA 활용 방법 메모리 증강 AI
GAIA는 메모리 증강 AI 시스템입니다. GAIA의 LLM 추론은 의미론적 메모리 검색을 위한 ChromaDB, 구조화된 에피소드 메모리를 위한 PostgreSQL, 유연한 문서형 메모리를 위한 MongoDB, 그리고 관계형 맥락을 위한 그래프 기반 메모리로 강화됩니다. 이러한 다층 메모리 아키텍처 덕분에 GAIA는 과거 상호작용을 기억하고, 관계 맥락을 이해하며, 무제한 세션에서 일관된 지식을 유지할 수 있습니다.
관련 개념
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.
검색 증강 생성(RAG)
검색 증강 생성(RAG)은 외부 지식 기반에서 관련 문서나 데이터를 먼저 검색하고 그 컨텍스트를 모델 프롬프트에 주입하여, LLM 응답을 더욱 향상시키는 기법입니다.
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.
