쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 10월 30일 (금)까지 3636건
22건 · "메모리 시스템"조건 지우기 ×
001 21:11 당일 +152 로컬 배포 가능한 개인용 AI 어시스턴트 QwenPaw Qwen 기반 개인용 AI 어시스턴트 QwenPaw를 공개했으며, 로컬 또는 클라우드에 배포 가능하고 DingTalk, Lark, WeChat, Discord, Telegram 등 다양한 메신저를 지원한다. AI · 머신러닝 · agentscope-ai/QwenPaw · TypeScript
Key Point 로컬 배포로 데이터 프라이버시를 보장하면서도 멀티 채널 지원과 고급 보안 기능을 갖춘 오픈소스 AI 어시스턴트가 공개되어, 개인/팀 단위의 자동화와 협업 워크플로우를 완전히 자체 제어할 수 있게 되었다.
핵심 요약
Qwen 기반 개인용 AI 어시스턴트 QwenPaw를 공개했으며, 로컬 또는 클라우드에 배포 가능하고 DingTalk, Lark, WeChat, Discord, Telegram 등 다양한 메신저를 지원한다. 3계층 메모리 시스템을 갖추고 있다: 실시간 작업 맥락, 전체 대화 기록, ReMe 기반의 자체 진화하는 개인 지식베이스로 대화와 자료가 마크다운 메모리로 변환되어 검색 및 연결이 가능하다. 에이전트 작업에 최적화된 QwenPaw-Flash 모델(2B/4B/9B/35B-A3B/27B)을 자체 개발했으며, API 키 없이 로컬 실행이 가능하거나 Ollama, LM Studio, 14개 이상의 클라우드 제공자를 지원한다. 전체 요약 13문장 읽기 → 002 15:11 ▲ 155 · 댓글 5 에이전트 메모리의 숨은 대가를 파헤치다 장기 작업을 수행하는 에이전트에서 메모리 시스템의 실제 가치를 검토한 연구를 발표했다. AI · 머신러닝 · Memory Tax: Dissecting the Net Value of Agent Memory
Key Point 에이전트 시스템에서 흔히 사용되는 메모리 메커니즘이 실제로는 직접 검색보다 떨어질 수 있다는 점을 실증적으로 보여주기 때문에, 현재의 메모리 아키텍처 설계 방향을 재검토해야 한다.
핵심 요약
장기 작업을 수행하는 에이전트에서 메모리 시스템의 실제 가치를 검토한 연구를 발표했다. 여러 벤치마크와 모델을 대상으로 대규모 평가한 결과, 많은 전용 메모리 시스템이 단순한 RAG 방식을 하회하는 성능을 보였다. 메모리의 순 가치를 '메모리 이득'과 '메모리 세금'으로 구분했으며, 이는 생 히스토리에서 직접 조회했을 때와의 차이에서 비롯된다. 전체 요약 7문장 읽기 → 003 12:11 ▲ 90 · 댓글 7 LLM 에이전트는 사용자 습관을 제대로 학습하지 못한다 장시간 상호작용 속 사용자 습관은 선택과 행동에 드러나는 암묵적 정보인데, 에이전트는 여러 대화 속에서 이를 추론해야 한다. AI · 머신러닝 · HABIT-Bench: Evaluating Habit Induction from Longitudinal Weak Evidence in Agent Memory
Key Point LLM 에이전트의 메모리 시스템이 사용자 습관 추론에서 근본적인 한계를 드러냈으며, 현재 방법들의 약 67%가 습관을 잘못 적용한다는 의미다.
핵심 요약
장시간 상호작용 속 사용자 습관은 선택과 행동에 드러나는 암묵적 정보인데, 에이전트는 여러 대화 속에서 이를 추론해야 한다. 개별 관찰만으로는 습관의 부분적 증거만 제공할 수 있고, 과거 상호작용 기록만으로는 습관 추론과 적용을 보장하지 못한다. HABIT-Bench는 에이전트 메모리 시스템이 약한 증거에서 습관을 추론하고 이후 요청에 적용하는 능력을 평가하는 벤치마크다. 전체 요약 8문장 읽기 → 004 21:11 당일 +1,930 개인 맞춤형 학습 AI 튜터 DeepTutor 공개 홍콩 대학 연구팀이 오픈소스 AI 기반 개인 맞춤형 튜터링 플랫폼 DeepTutor를 개발했다. AI · 머신러닝 · HKUDS/DeepTutor · Python
Key Point 개인화된 AI 학습이 주목받는 시대에 오픈소스 기반의 완전한 튜터링 플랫폼이 공개되어, 교육용 AI 애플리케이션을 직접 구축하려는 개발자와 교육 기관에 실제 활용 가능한 기반을 제공한다.
핵심 요약
홍콩 대학 연구팀이 오픈소스 AI 기반 개인 맞춤형 튜터링 플랫폼 DeepTutor를 개발했다. Python 기반이며 deeptutor.info에서 공식 문서를 제공한다. 에이전트 네이티브 아키텍처로 설계되었으며 도구와 능력 플러그인 모델을 지원한다. 전체 요약 11문장 읽기 → 005 18:11 ▲ 22 · 댓글 8 단순한 RAG가 복잡한 에이전트 메모리보다 우수하다 LLM의 장기 대화 이해를 위해 사용되는 메모리 시스템은 흔히 변형·구조화·학습 기반 검색 등 복잡한 연산을 적용한다. AI · 머신러닝 · Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought
Key Point LLM 기반 대화 시스템에서 고도의 메모리 아키텍처가 반드시 필요하지 않을 수 있다는 점이 개발자의 시스템 설계 선택을 바꿀 수 있기 때문이다.
핵심 요약
LLM의 장기 대화 이해를 위해 사용되는 메모리 시스템은 흔히 변형·구조화·학습 기반 검색 등 복잡한 연산을 적용한다. 이 논문은 Raw-RAG라는 단순한 RAG 베이스라인을 제안했다: 원본 대화 이력에 대해 밀집 벡터 검색과 재정렬만 수행한 후 증거를 LLM에 제공하는 방식이다. LoCoMo, LongMemEval, MEME, MemoryAgentBench 4개 벤치마크에서 Raw-RAG는 7개 벤치마크-모델 조합 중 6개에서 1위를 차지했으며, 가장 강력한 에이전트 메모리 시스템 대비 0.13~5.53점 높은 성능을 보였다. 전체 요약 7문장 읽기 → 006 12:11 ▲ 36 · 댓글 2 AI 에이전트의 지속 학습을 위한 메모리 중심 프레임워크 기초 모델 기반 자율 에이전트는 추론·계획·도구 사용은 가능하지만 고정된 가중치와 컨텍스트 제한으로 장기 배포 중 경험 학습이 제약된다. AI · 머신러닝 · Memory-Centric Continual Learning for AI Agents
Key Point AI 에이전트가 장기 배포 중 경험으로부터 실제 학습하려면 메모리 평가 기준부터 바뀌어야 한다는 근본적인 전환을 제시한다.
핵심 요약
기초 모델 기반 자율 에이전트는 추론·계획·도구 사용은 가능하지만 고정된 가중치와 컨텍스트 제한으로 장기 배포 중 경험 학습이 제약된다. 외부 메모리 시스템은 대부분 수동적 검색 캐시 역할만 하며 저장된 사실이나 과거 상호작용 회상 여부만 평가되고 있다. 메모리가 진정한 지속 학습을 가능하게 하는지는 미해결 과제다. 전체 요약 8문장 읽기 → 007 03:11 당일 +102 AI 코딩 에이전트의 영속 메모리 시스템 Engram AI 코딩 에이전트가 세션 종료 후 모든 정보를 잃는 문제를 해결하기 위해 Go 바이너리로 만들어진 영속 메모리 시스템이다. AI · 머신러닝 · Gentleman-Programming/engram · Go
Key Point AI 에이전트의 만성적인 기억 손실 문제를 해결하는 경량 오픈소스 도구로, 기존 코딩 에이전트에 무리 없이 통합되면서 로컬 우선 설계로 개인정보를 보호한다.
핵심 요약
AI 코딩 에이전트가 세션 종료 후 모든 정보를 잃는 문제를 해결하기 위해 Go 바이너리로 만들어진 영속 메모리 시스템이다. SQLite + FTS5 전문 검색, CLI, HTTP API, MCP 서버, 터미널 UI로 구성되며 의존성이 없는 단일 바이너리로 제공된다. Claude Code, OpenCode, Gemini CLI, Codex, VS Code Copilot, Windsurf 등 14개의 MCP 호환 에이전트와 연동할 수 있다. 전체 요약 12문장 읽기 → 008 21:12 당일 +131 Rust로 만든 고성능 AI 코딩 에이전트 jcode 공개 GitHub Trending에 오른 jcode는 Rust로 작성된 고성능 AI 코딩 에이전트 프레임워크로, RAM 효율성과 응답 속도를 극도로 최적화했다. AI · 머신러닝 · 1jehuang/jcode · Rust
Key Point 메모리 사용량을 1/10 이하로 줄이고 응답 속도를 200배 이상 개선한 오픈소스 AI 에이전트가 나왔으므로, 로컬 개발 환경에서 가볍게 AI 코딩 어시스턴트를 운영하거나 대규모 멀티에이전트 시스템을 구축하려는 개발팀에게 중요한 선택지가 될 수 있다.
핵심 요약
GitHub Trending에 오른 jcode는 Rust로 작성된 고성능 AI 코딩 에이전트 프레임워크로, RAM 효율성과 응답 속도를 극도로 최적화했다. 단일 세션 메모리 사용량은 27.8MB(임베딩 비활성화)부터 167.1MB(활성화)로, Claude Code 386.6MB 대비 약 2~14배 적으며, 10개 세션 병렬 실행 시에도 260.8MB로 경쟁 제품 대비 압도적이다. 부팅부터 첫 프레임까지 14.0ms, 첫 입력까지 48.7ms로 다른 도구(Claude Code 3436.9ms)의 1/200~1/70 수준의 극도로 빠른 응답성을 제공한다. 전체 요약 10문장 읽기 → 009 18:33 ▲ 14 · 댓글 3 에이전트 메모리를 자동 진화시키는 새로운 방법 에이전트의 메모리 시스템을 작업 피드백으로 자동 개선하는 메모리 자가진화 기법의 한계를 개선한 논문이다. AI · 머신러닝 · Capability-Driven Self-Evolution of Agent Memory
Key Point 기존 에이전트 메모리 최적화의 근본적 문제점을 능력별 분석으로 해결하는 방식이 신경망 기반 최적화와 다르고, 장문맥 처리에서 눈에 띄는 성능 향상을 보여준다.
핵심 요약
에이전트의 메모리 시스템을 작업 피드백으로 자동 개선하는 메모리 자가진화 기법의 한계를 개선한 논문이다. 기존 방식은 전체 성능만 보고 진화 방향을 정하는 홀리스틱 진화를 써 왔는데, 능력별 개선 효과를 놓치고 일부 영역의 후퇴가 전체 성능을 가린다. 이 논문은 능력 기반 진화(capability-driven evolution)를 제안해 전체 성능 대신 개별 능력 차원별로 탐색을 안내한다. 전체 요약 6문장 읽기 → 010 21:11 당일 +106 AI 에이전트를 위한 영구 메모리 OptMem 공개 VictorTaelin이 AI 에이전트용 영구 메모리 시스템 OptMem을 공개했다. AI · 머신러닝 · VictorTaelin/OptMem · Python
Key Point AI 에이전트의 장기 메모리 관리가 필요한 개발자들이 간단한 설치로 대규모 메모리를 효율적으로 운영할 수 있는 솔루션이 나왔다.
핵심 요약
VictorTaelin이 AI 에이전트용 영구 메모리 시스템 OptMem을 공개했다. 426토큰 크기의 프롬프트와 스크립트로 구성되어 있으며, AGENTS.md 또는 CLAUDE.md 파일 상단에 붙여넣는 방식으로 플러그앤플레이 통합이 가능하다. 주요 명령어는 memo wake(메모리 읽기), memo note(메모 기록, 280바이트까지), memo nap(병합 작업 수행), memo recall(정규표현식으로 모든 메모 검색), memo zoom(트리 노드 확장), memo forget(요약 삭제)이다. 전체 요약 7문장 읽기 → 011 15:11 ▲ 120 · 댓글 66 에이전트가 필요한 건 기억력이 아니라 문서 기존 메모리 플러그인은 대화 내용을 스니펫으로 쪼개 벡터 데이터베이스에 저장했다가 프롬프트마다 유사도로 상위 5개를 주입하는 RAG 방식으로 동작하고 있다. AI · 머신러닝 · Agents don't need memory, they need documentation
Key Point 메모리 플러그인의 RAG 방식은 상사 검색의 한계·문맥 손실·코드 변화 추적 불능 등 근본적 결함을 안고 있으며, 문서 기반 메모리로 전환하면 에이전트의 맥락 이해도와 투명성을 동시에 높일 수 있다.
핵심 요약
기존 메모리 플러그인은 대화 내용을 스니펫으로 쪼개 벡터 데이터베이스에 저장했다가 프롬프트마다 유사도로 상위 5개를 주입하는 RAG 방식으로 동작하고 있다. 유사도 검색은 정확성·최신성·누락된 정보를 파악할 수 없고, 스니펫은 문맥을 잃으며, 매일 변하는 코드베이스에서 기록된 정보는 빠르게 구식이 되며, 에이전트는 무엇을 모르는지 알 수 없어 검색 도구를 제대로 사용하지 못한다. 또한 수천 개의 임베딩이 저장되면 어떤 기억이 활용되고 있는지, 어떤 기억이 오래되었거나 잘못되었는지 감시할 수 없는 감사 불가능의 문제가 있다. 전체 요약 8문장 읽기 → 012 21:11 ▲ 35 · 댓글 3 실시간 영상 AI가 사람처럼 기억할 수 있나 스트리밍 영상을 처리하는 AI 모델이 실제로 필요한 것은 세션 간 기억을 유지하는 능력인데, 기존 벤치마크는 연속 영상이나 짧은 클립만 다뤘다. AI · 머신러닝 · APM-Bench: Benchmarking Cross-session Persistent Memory for Egocentric Streaming Video Assistants
Key Point 현실의 개인 비서 AI는 대화가 끊겼다가 다시 시작할 때도 과거 맥락을 기억해야 하는데, 이를 평가하는 첫 벤치마크가 나왔다.
핵심 요약
스트리밍 영상을 처리하는 AI 모델이 실제로 필요한 것은 세션 간 기억을 유지하는 능력인데, 기존 벤치마크는 연속 영상이나 짧은 클립만 다뤘다. APM-Bench는 549개 세션, 104개 궤적, 2,719개 질문으로 구성되며, 각 세션은 세밀한 주석이 달린 영상이고 같은 궤적 내 세션들은 관련 활동을 중심으로 구성된다. 모델은 지속성 메모리를 사용해 이전 세션에 대한 질문에 답변하고, 실시간 상호작용을 유지하면서 사전 대응 응답을 제공해야 한다. 전체 요약 8문장 읽기 → 013 21:11 당일 +101 AI 에이전트용 메모리 인프라 Mem0, 토큰 효율성 47% 향상 Mem0는 AI 에이전트와 애플리케이션을 위한 지속적인 메모리 계층을 제공하는 오픈소스 프로젝트로, 사용자 선호도와 세션·에이전트 상태를 학습해 개인화된 상호작용을 가능하게 한다. AI · 머신러닝 · mem0ai/mem0 · Python
Key Point AI 에이전트가 사용자 정보를 효과적으로 기억하고 활용하는 것이 LLM 기반 서비스의 핵심인데, 이 업데이트는 토큰 비용을 유지하면서 성능을 30% 이상 끌어올렸기 때문에 생산 환경 배포를 고민하는 팀이 참고할 만하다.
핵심 요약
Mem0는 AI 에이전트와 애플리케이션을 위한 지속적인 메모리 계층을 제공하는 오픈소스 프로젝트로, 사용자 선호도와 세션·에이전트 상태를 학습해 개인화된 상호작용을 가능하게 한다. 2026년 4월 업데이트된 새로운 메모리 알고리즘은 LoCoMo에서 71.4점에서 92.5점으로, LongMemEval에서 67.8점에서 94.4점으로 성능을 향상시켰다. 단일 LLM 호출로 동작하는 ADD-only 추출 방식을 도입해 메모리를 누적시키면서도 6.7~6.9K 토큰으로 낮은 레이턴시(0.88~1.09초)를 유지한다. 전체 요약 11문장 읽기 → 014 21:11 당일 +124 Neuro-sama 같은 AI 캐릭터를 직접 만드는 오픈소스 프로젝트 AIRI Neuro-sama 같은 자체호스팅 가능한 AI 동반자를 만드는 오픈소스 프로젝트로, TypeScript 기반 웹 기술과 네이티브 기술을 함께 사용한다. AI · 머신러닝 · moeru-ai/airi · TypeScript
Key Point Neuro-sama 같은 AI 가상 캐릭터를 누구나 직접 구축할 수 있는 완전한 오픈소스 플랫폼이 나왔고, 게임 플레이부터 음성 채팅까지 놀라운 수준의 기능을 갖추고 있다.
핵심 요약
Neuro-sama 같은 자체호스팅 가능한 AI 동반자를 만드는 오픈소스 프로젝트로, TypeScript 기반 웹 기술과 네이티브 기술을 함께 사용한다. 브라우저, macOS, Windows 데스크톱, 모바일 PWA 등 다양한 플랫폼에서 실시간 음성 채팅이 가능하며, Minecraft, Factorio, Kerbal Space Program 등 여러 게임을 플레이할 수 있다. WebGPU, WebAssembly, Web Workers 등 웹 기술로 그래픽과 레이아웃을 처리하면서도, NVIDIA CUDA와 Apple Metal을 통한 네이티브 추론으로 성능을 확보하는 하이브리드 아키텍처를 채택했다. 전체 요약 12문장 읽기 → 015 22:26 당일 +1,454 에이전트가 학습하는 장기 메모리 시스템 Hindsight 공개 Hindsight는 대화 기록 재호출이 아닌 학습 능력에 중점을 둔 에이전트 메모리 시스템으로, RAG와 지식그래프의 한계를 극복하고 LongMemEval 벤치마크에서 최고 성능을 기록했다. AI · 머신러닝 · vectorize-io/hindsight · Python
Key Point 에이전트가 단순히 과거 대화를 불러오는 것을 넘어 경험에서 배우고 정신 모델을 스스로 구축하도록 설계된 새로운 메모리 시스템으로, 기존 RAG와 지식그래프의 한계를 기술적으로 해결하면서도 LongMemEval에서 검증된 성능을 제공하고 있다.
핵심 요약
Hindsight는 대화 기록 재호출이 아닌 학습 능력에 중점을 둔 에이전트 메모리 시스템으로, RAG와 지식그래프의 한계를 극복하고 LongMemEval 벤치마크에서 최고 성능을 기록했다. 세계 사실, 에이전트 경험, 관찰, 정신 모델 등 4가지 메모리 타입을 바이오미메틱 데이터 구조로 조직하며, 메모리 뱅크 내에 엔티티, 관계, 시계열과 희소/밀집 벡터 표현을 결합한다. Retain(정보 저장) 연산은 LLM으로 사실과 관계를 추출하고 정규화하며, Recall(검색) 연산은 의미론적·키워드·그래프·시간 범위 필터링을 병렬로 수행한 뒤 역상호 순위 융합과 교차 인코더로 재정렬한다. 전체 요약 13문장 읽기 → 016 22:29 당일 +122 AI 에이전트의 학습 기록을 모아 재사용 가능한 메모리로 만드는 Beacon Claude Code, Cursor, Codex, OpenCode 등 20여 개의 AI 코딩 에이전트 도구에서 세션 기록을 수집해 한곳에 통합하는 오픈소스 메모리 레이어다. AI · 머신러닝 · Asymptote-Labs/agent-beacon · Go
Key Point 여러 AI 코딩 에이전트를 함께 쓰는 개발자라면 각 도구마다 격리된 세션 기록 때문에 같은 문제를 반복 학습하는 비효율을 겪는데, Beacon은 이를 통합 메모리로 전환해 크로스 도구 학습의 누적 효과를 만든다.
핵심 요약
Claude Code, Cursor, Codex, OpenCode 등 20여 개의 AI 코딩 에이전트 도구에서 세션 기록을 수집해 한곳에 통합하는 오픈소스 메모리 레이어다. 에이전트의 프롬프트·응답·도구 호출·명령·파일 활동·승인·MCP 상호작용·토큰 사용을 OpenTelemetry 기반 공통 형식으로 정규화한다. 워크플로우·디버깅 패턴·저장소 규칙 등 유용한 지식을 추출해 미래 에이전트가 접근할 수 있도록 Agent Skills 형태로 제공한다. 전체 요약 9문장 읽기 → 017 22:29 ▲ 83 · 댓글 5 여럿이 대화할 때 누가 뭘 말했는지 기억하는 AI 메모리 다자 대화에서 장기적 맥락을 유지하려면 발화자 정보, 대상 파악, 개인 및 집단 간 관계, 공유 정보, 시간 경과에 따른 상태 변화를 모두 추적해야 한다. AI · 머신러닝 · SpeakerMem-R1: Speaker-Centered Dual-Track Memory for Multi-Party Dialogue
Key Point 그룹 채팅이나 회의 같은 다자 대화에서 복잡한 관계와 누가 뭘 말했는지를 추적해야 하는 AI 애플리케이션들이 현재 기술의 한계에 직면해 있으며, 이 논문이 제시하는 구조화된 메모리 접근 방식이 그 문제를 상당 수준 해결하고 있다.
핵심 요약
다자 대화에서 장기적 맥락을 유지하려면 발화자 정보, 대상 파악, 개인 및 집단 간 관계, 공유 정보, 시간 경과에 따른 상태 변화를 모두 추적해야 한다. 기존 LLM 메모리 시스템은 다자 대화 벤치마크에서 인물·집단 관계를 놓치거나 여러 발화자 간 분산된 단서를 통합하지 못하는 한계를 보인다. 논문은 핵심 문제로 '발화자 귀속(message attribution)'과 '다자 간 관계 이해', '교차된 대화 기록으로부터의 상태 복원'을 제시한다. 전체 요약 8문장 읽기 → 018 22:29 ▲ 34 · 댓글 2 LLM 에이전트의 메모리를 작업에 맞춰 실시간 선별하기 기존 에이전트 메모리 시스템은 작업 완료 후 궤적을 고정된 형태(반성, 워크플로우, 스킬 등)로 정제하므로, 향후 쿼리를 알 수 없는 상태에서 무엇을 기억할지 결정해야 한다. AI · 머신러닝 · Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents
Key Point 메모리 정제 시점을 쓰기에서 읽기로 옮겨 작업 특화 큐레이션을 가능하게 하는 새로운 접근이 LLM 에이전트의 성능을 크게 향상시킨다.
핵심 요약
기존 에이전트 메모리 시스템은 작업 완료 후 궤적을 고정된 형태(반성, 워크플로우, 스킬 등)로 정제하므로, 향후 쿼리를 알 수 없는 상태에서 무엇을 기억할지 결정해야 한다. 이 방식은 정보 손실을 초래하고, 쓰기 단계의 큐레이터를 학습하기 어렵다. 저장 결정의 가치가 훨씬 나중에 관련 쿼리가 도착할 때만 명확해지기 때문이다. 제안하는 JitMem(Just-in-Time Memory)은 원본 궤적을 그대로 보관했다가 읽을 때까지 정제를 미룬다. 전체 요약 8문장 읽기 → 019 03:11 ▲ 26 · 댓글 2 System One/Two 인지로 AI 에이전트 메모리 최적화 Jev-Mem은 인간의 빠른 사고(System One)와 느린 추론(System Two)을 모방한 AI 에이전트 메모리 아키텍처다. AI · 머신러닝 · Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents
Key Point 장시간 작업을 처리하는 AI 에이전트의 성능과 속도가 메모리 관리 효율성에 달려있고, 이 논문이 기존의 비싼 LLM 기반 메모리 시스템을 크게 개선하는 구조를 제시한다.
핵심 요약
Jev-Mem은 인간의 빠른 사고(System One)와 느린 추론(System Two)을 모방한 AI 에이전트 메모리 아키텍처다. System One 제어부가 메모리 타입 지정, 관계 조직화, 쿼리 라우팅, 검색 예산 할당, 그래프 순회, 후보 점수 매김, 적응형 중단을 담당한다. System Two는 복잡한 추론과 답변 종합이 필요할 때만 호출되어 LLM 생성 비용을 줄인다. 전체 요약 5문장 읽기 → 020 21:11 당일 +113 팀 AI 에이전트 간 메모리 공유 플랫폼 오픈소스 TencentDB Agent Memory는 AI 에이전트 팀을 위한 메모리 허브로, 대화·문서·코드를 재사용 가능한 4가지 자산으로 변환한다. AI · 머신러닝 · TencentCloud/TencentDB-Agent-Memory · TypeScript
Key Point 에이전트가 팀 수준에서 경험을 축적하고 공유하는 방식을 제시해, AI 협업 체계에서 반복 작업을 줄이고 효율성을 크게 높일 수 있다.
핵심 요약
TencentDB Agent Memory는 AI 에이전트 팀을 위한 메모리 허브로, 대화·문서·코드를 재사용 가능한 4가지 자산으로 변환한다. Chat Memory(대화 기억), Skill(기술 모음), LLM-Wiki(문서 변환), Code-Graph(코드 그래프)의 형태로 자산화되어 팀원 간에 공유되고 관리된다. 프록시 방식으로 동작하며 Claude Code, DeepSeek, CodeBuddy 등 다양한 에이전트 프레임워크와 별도 플러그인 없이 연동 가능하다. 전체 요약 5문장 읽기 → 021 03:10 당일 +368 AI 에이전트로 자동화된 침투 테스트, PentAGI 공개 Go로 작성된 오픈소스 프로젝트로, AI가 자율적으로 복잡한 침투 테스트 작업을 수행한다. AI · 머신러닝 · vxcontrol/pentagi · Go
Key Point 침투 테스트의 자동화 수준이 AI 기반으로 한 단계 올라갔고, 엔지니어가 직접 배포 가능한 오픈소스 형태로 제공되므로 보안 팀의 작업 방식을 크게 바꿀 수 있다.
핵심 요약
Go로 작성된 오픈소스 프로젝트로, AI가 자율적으로 복잡한 침투 테스트 작업을 수행한다. nmap, metasploit, sqlmap 등 20개 이상의 보안 도구를 내장하고 있으며, Docker 샌드박스 환경에서 완전히 격리된 상태로 작동한다. Ollama, OpenAI, Anthropic, Google AI, AWS Bedrock, DeepSeek 등 10개 이상의 LLM 제공자를 지원하며, 사용자가 원하는 모델을 선택할 수 있다. 전체 요약 5문장 읽기 → 022 21:11 ▲ 109 · 댓글 12 RSA-260 인수분해 성공…GPU로 암호화 난제 깨다 Cognition 연구팀이 새로운 GPU 기반 격자 체 구현으로 260자리 RSA 수를 인수분해했으며, 이는 2020년 RSA-250 이후 가장 큰 공개 기록이다. 보안 · Factoring RSA 260
Key Point RSA-1024 인수분해이 이론이 아닌 현실의 경제 규모로 접근 가능해졌으며, 고도로 전문화된 암호분석 인력 없이도 충분한 GPU 자원만으로 수행할 수 있음을 보여준다.
핵심 요약
Cognition 연구팀이 새로운 GPU 기반 격자 체 구현으로 260자리 RSA 수를 인수분해했으며, 이는 2020년 RSA-250 이후 가장 큰 공개 기록이다. 기존 최고 성능 대비 10배 저렴한 비용으로 인수분해를 달성했으며, 약 4,900 GPU-일(13.5 GPU-연간)에 현재 시장가 약 40만 달러가 소요되었다. 범용 수체 체(GNFS) 알고리즘을 GPU에 구현하되, 기존 CADO-NFS를 크게 개선해 GPU의 메모리 시스템을 활용했다. 전체 요약 6문장 읽기 → 
