에이전트 메모리를 파일 포맷으로 — Memoryfields 설계 원칙
Cal Paterson이 AI 에이전트 메모리 시스템을 단순한 파일 포맷으로 설계한 Memoryfields를 제안했다. Markdown 페이지와 SQLite 벡터 인덱스를 ZIP으로 묶어, 최대 2번의 도구 호출만으로 관련 메모리를 검색한다.
원문: Agent Memory as a File Format 원문 보기 →
에이전트 메모리의 현재 문제
AI 에이전트가 장기 기억을 관리하는 방법은 대부분 복잡한 그래프 탐색이나 파이프라인에 의존한다. Cal Paterson은 HN에서 119점을 기록한 글을 통해 이 복잡성을 버리고 "메모리를 데이터로, 파일 포맷으로" 다루자고 제안했다.
Memoryfields 구조
구조는 단순하다:
- 선택적 YAML 메타데이터를 가진 Markdown 페이지들 (페이지당 8KB 권장)
- 의미 검색을 위한 SQLite 벡터 인덱스
- 이 모두를 담은 ZIP 파일
4가지 설계 원칙
- 분절보다 산문: 청킹이나 기계적 처리 없이 에이전트가 Markdown으로 직접 기억을 기록한다.
- 그래프 탐색보다 의미 검색: 링크를 따라가는 대신 병렬 의미 검색으로 관련 페이지를 한꺼번에 가져온다.
- 최소 메커니즘: 낮은 오버헤드 덕분에 bash나 SQLite 같은 도구로 창의적인 접근 패턴을 개발할 수 있다.
- 개방적 상호운용성: 로컬 파일, S3, GitHub, HTTP를 모두 지원해 특정 벤더에 종속되지 않는다.
핵심 이점
링크 기반 탐색 대신 의미 검색을 쓰면 최대 2번의 도구 호출만으로 필요한 정보를 모두 가져올 수 있다. 모델이 발전할수록 자동으로 성능이 향상되는 미래 지향적 설계이기도 하다.
"나에게 테이블을 보여주면, 순서도는 필요 없다." — Fred Brooks 인용
관련 기사
과잉 설계 없는 RAG — 6가지 검색 아키텍처와 선택 기준
AI 엔지니어 Rafael Pierre가 데이터 신선도, 코퍼스 특성, 쿼리 패턴, 규모, 팀 역량이라는 5가지 요인을 기준으로 최적 RAG 아키텍처를 고르는 가이드를 정리했다. 하루 1000건 미만 쿼리라면 풀텍스트 검색만으로 충분할 수 있다.
Claude 메모리, 채팅과 Cowork 전반에 통합 — 매번 설명 없이 연속 작업 실현
Anthropic이 Claude의 메모리 기능을 채팅과 Cowork 전반에 통합했다. 채팅에서 나눈 대화 내용을 Cowork가 자동 참조하며, 사용자가 직접 기억 내용을 확인·수정·삭제할 수 있다.
NVIDIA AVO, ARC-AGI-3 공개 벤치마크 전 183레벨 완파 — 에이전트 하네스가 모델 성능 3배 이상 증폭
NVIDIA의 자율 에이전트 시스템 AVO가 ARC-AGI-3 공개 벤치마크 전체 183개 레벨을 100% 완수했다. 기반 모델 Claude Opus 5의 30.2% 점수를 에이전트 하네스로 100%까지 끌어올려, 에이전트 아키텍처 설계가 모델 자체 성능보다 중요할 수 있음을 입증했다.