쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 16일 (월)까지 4683건
4건 · "AI 메모리"조건 지우기 ×
001 21:11 당일 +258 로컬-퍼스트 AI 메모리 시스템 MemPalace 공개 MemPalace는 대화 기록을 그대로 저장하고 시맨틱 검색으로 검색하는 오픈소스 AI 메모리 시스템으로, 요약이나 의역 없이 원문을 보존한다. AI · 머신러닝 · MemPalace/mempalace · Python
Key Point LLM 기반 AI 시스템에서 과거 대화를 정확히 기억하고 활용하는 것이 성능을 좌우하는데, 이 프로젝트가 원문 보존과 의미 검색의 균형을 구현해 API 비용 없이 96.6%의 높은 정확도를 달성했기 때문이다.
핵심 요약
MemPalace는 대화 기록을 그대로 저장하고 시맨틱 검색으로 검색하는 오픈소스 AI 메모리 시스템으로, 요약이나 의역 없이 원문을 보존한다. 사람과 프로젝트를 '윙(wing)', 주제를 '룸(room)', 원문을 '드로어(drawer)'로 구조화해 검색을 특정 범위로 제한할 수 있으며, 검색 백엔드는 플러그인 방식으로 교체 가능하다. 기본값은 ChromaDB이고 SQLite, Milvus, Qdrant, PostgreSQL(pgvector) 등 다양한 백엔드를 지원하며, 사용자 기계를 벗어나는 데이터는 명시적 동의 하에서만 외부로 나간다. 전체 요약 10문장 읽기 → 002 03:11 당일 +1,172 AI 에이전트의 메모리를 영구 보존하는 claude-mem Claude Code, OpenClaw, Codex, Gemini, Hermes, Copilot 등 다양한 AI 에이전트와 호환되는 메모리 압축 시스템으로, 세션 중 에이전트의 모든 활동을 캡처하고 AI로 압축한 후 이후 세션에 관련 맥락을 주입한다. AI · 머신러닝 · thedotmack/claude-mem · TypeScript
Key Point 세션이 끝나도 AI 에이전트가 이전 작업 맥락을 자동으로 기억하게 해주는 기술로, 장기 프로젝트에서 에이전트의 연속성을 유지하는 방식이 어떻게 구현되는지 보여준다.
핵심 요약
Claude Code, OpenClaw, Codex, Gemini, Hermes, Copilot 등 다양한 AI 에이전트와 호환되는 메모리 압축 시스템으로, 세션 중 에이전트의 모든 활동을 캡처하고 AI로 압축한 후 이후 세션에 관련 맥락을 주입한다. 5개의 생명주기 훅(SessionStart, UserPromptSubmit, PostToolUse, Stop, SessionEnd)과 스마트 설치 기능으로 작동하며, Bun 기반 워커 서비스가 로컬 HTTP API와 웹 뷰어 UI를 제공한다. SQLite 데이터베이스에 세션과 관찰 내용을 저장하고, Chroma 벡터 데이터베이스를 통해 하이브리드 의미론적 검색과 키워드 검색을 지원하는 mem-search 기능으로 프로젝트 히스토리를 자연어로 쿼리할 수 있다. 전체 요약 10문장 읽기 → 003 21:11 당일 +103 AI 에이전트를 위한 오픈소스 메모리 플랫폼, Cognee 공개 Cognee는 AI 에이전트에게 세션 간 지속적인 장기 메모리를 제공하는 오픈소스 플랫폼이며, 문서·코드·대화를 자체 호스팅 지식 그래프로 변환해 검색과 재사용이 가능하다. AI · 머신러닝 · topoteretes/cognee · Python
Key Point LLM 비용 없이 로컬 소형 모델만으로 에이전트에 장기 메모리를 주는 방식이 구현되었으며, 단일 PostgreSQL로 전체 메모리 스택을 대체할 수 있다는 점이 인프라 단순화의 새로운 접근을 보여준다.
핵심 요약
Cognee는 AI 에이전트에게 세션 간 지속적인 장기 메모리를 제공하는 오픈소스 플랫폼이며, 문서·코드·대화를 자체 호스팅 지식 그래프로 변환해 검색과 재사용이 가능하다. API 키 없이 로컬에서 무료 실행되며, CPU를 사용하는 소형 모델에 의존한다. 텍스트 입수·검색·세션 저장은 LLM 없이 작동하고, 로컬 GLiNER 추출 모델과 로컬 임베딩 모델을 사용하며 첫 실행 시 자동 다운로드된다. 전체 요약 10문장 읽기 → 004 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 →