에이전트 메모리 아키텍처 (Agentic Memory Architecture)
현대적인 AI 에이전트는 단순한 컨텍스트 윈도우를 넘어, 과거의 상호작용을 저장하고 회상하며 학습할 수 있는 고도화된 메모리 아키텍처를 필요로 한다. 2026년 기준, 가장 효율적인 것으로 평가받는 패턴과 프레임워크를 정리한다.
1. Claude Code의 3계층 메모리 패턴
최근 공개된 Claude Code의 소스코드 분석을 통해 확인된 효율적인 메모리 관리 방식이다.
- Layer 1: MEMORY.md (Always Loaded)
- 실제 지식이 아닌 포인터(Pointer) 중심의 경량 인덱스 파일.
- 매 세션 시작 시 컨텍스트에 주입되며, 관련 주제 파일로의 경로만 포함한다.
- Layer 2: Topic Files (On-Demand)
- 아키텍처 결정사항, 네이밍 컨벤션 등 상세 지식을 별도의 마크다운 파일로 분산 저장.
MEMORY.md가 필요하다고 판단할 때만 선택적으로 로드하여 토큰을 절약한다.
- Layer 3: Raw Transcripts (Grep-Based Search)
- 과거 세션의 전체 기록은 벡터 DB 대신 Grep 기반 검색을 사용하여 탐색한다.
- 빠르고 결정론적(Deterministic)이며, 임베딩 비용 없이 깊은 이력을 조회할 수 있다.
2. 에이전트 메모리 계층 구조 (Semantic, Episodic, Procedural)
성공적인 에이전트 구현을 위해 필수적인 5대 메모리 유형이다.
- Semantic Memory (의미론적 기억): 제품 FAQ, API 문서 등 도메인 전문 지식 및 사실 관계 저장.
- Episodic Memory (일화적 기억): 특정 과거 상호작용 및 결과 기록 (예: “지난번에 사용자는 불렛 포인트를 선호했음”).
- Procedural Memory (절차적 기억): 특정 워크플로우를 실행하는 방법 및 도구 사용 규칙 저장.
- Short-term Memory (단기 기억): 현재 작업의 추론 체인 및 실시간 컨텍스트 (Working Memory).
- Long-term Memory (장기 기억): 세션 전반에 걸친 사용자 개인화 및 학습 내용 저장.
3. 실전 기술 스택 (The Production Stack)
- Orchestration: LangGraph (상태 관리 및 워크플로우 제어)
- Personalization: Mem0 (세션 간 개인화 및 일화적 기억 관리)
- Speed & Caching: Redis (도구 응답 캐싱 및 상태 체크포인트 저장)
- Vector Storage: Pinecone / Milvus / Qdrant (의미론적 검색 및 RAG 연동)
4. 핵심 설계 원칙: Skeptical Memory (회의적 기억)
- 에이전트는 자신의 기억을 ‘진실’이 아닌 ‘힌트’로 취급해야 한다.
- 기억된 정보(예: 파일 경로)를 사용하기 전, 반드시 실제 환경(예: 파일 시스템)에서 검증하는 단계를 거친다.
- 소스 코드 등 원천 데이터에서 재도출 가능한 정보는 메모리에 저장하지 않고 즉시 조회하는 것이 효율적이다.
참고 문서
Source: LinkedIn - Expert Insights (2026-04)