TencentDB Agent Memory: 팀 AI 메모리

1. 프로젝트 개요

TencentDB Agent Memory는 AI 에이전트를 위한 팀 수준의 메모리 관리 시스템으로, 대화, 문서 및 코드베이스를 Chat Memory, Skills, Wiki, CodeGraph라는 네 가지 재사용 가능한 메모리 자산으로 변환합니다. 이를 통해 에이전트는 매번 모든 것을 처음부터 다시 학습하는 대신 세션, 팀 및 프레임워크 전반에 걸쳐 경험을 축적하고 공유할 수 있습니다.

2. 배경 및 포지셔닝

개발 동기: AI 에이전트 팀은 반복적으로 동일한 장벽에 부딪힙니다. 즉, 새로운 에이전트 세션이 시작될 때마다 과거 대화에 대한 기억도, 재사용 가능한 워크플로도, 작업 중인 코드베이스나 문서에 대한 공유된 이해도 없는 콜드 스타트 상태가 됩니다. TencentDB Agent Memory는 "에이전트는 기억하고, 인간은 혁신한다"는 미션 아래 구축되었으며, 에이전트가 학습한 내용을 유지하게 함으로써 인간이 동일한 지시를 반복하지 않도록 하는 것을 목표로 합니다.
핵심 미션: 모든 에이전트 프레임워크가 연동할 수 있는 영구적이고 구조화된 메모리 계층을 제공하여, 대화 컨텍스트, 검증된 워크플로, 문서 구조 및 코드 관계가 세션 종료 시 사라지지 않고 내구성 있고 공유 가능한 팀 자산이 되도록 합니다.
유사 프로젝트와의 차별점: 대부분의 에이전트 메모리 도구는 원시 채팅 로그의 플랫 벡터 저장소 검색에 집중합니다. 반면 TencentDB Agent Memory는 계층화된 파이프라인(원시 대화 → 원자적 사실 → 시나리오 블록 → 장기 프로필)을 통해 대화를 정제하고, 단일의 구분되지 않은 메모리 덩어리가 아닌 팀 수준의 접근 제어가 포함된 네 가지 고유한 목적의 자산 유형으로 지식을 구성합니다. 또한 설계상 프레임워크에 독립적이며, 단일 제품에 종속되지 않고 여러 에이전트 런타임을 위한 어댑터를 제공합니다.

3. 기능 카테고리

🧠 Chat Memory

원시 대화를 다층으로 정제하여 사용자 컨텍스트, 선호도 및 제약 사항에 대한 지속적인 이해를 형성합니다.

L0: 타임스탬프가 포함된 원시 대화
L1: 추출된 사실, 선호도 및 제약 사항
L2: 시나리오 기반 지식 블록
L3: 장기 프로필 및 안정적인 행동 패턴
목적: 에이전트가 매 세션마다 다시 묻지 않고도 사용자가 누구이며 무엇을 필요로 하는지 기억할 수 있게 합니다.

🛠️ Skills

성공적인 대화에서 자동으로 추출된 버전 관리가 되는 실행 가능 워크플로입니다.

유효성 검사 규칙 및 번들 리소스 파일 포함
에이전트 및 팀 간 재사용 가능
독립형 자산으로 내보내기 및 공유 가능
목적: 한 에이전트가 한 번 파악한 워크플로를 팀 내 모든 에이전트가 다시 실행할 수 있는 것으로 만듭니다.

📖 Wiki

가져온 문서와 코드를 기반으로 구축된 링크 그래프가 포함된 구조화된 자동 생성 문서입니다.

가져온 문서 소스에서 자동 생성
주제 간 상호 참조 링크 유지
소스 자료 변경 시 점진적으로 업데이트
목적: 내용이 낡아가는 정적 문서 대신 살아있고 에이전트가 읽을 수 있는 지식 베이스를 유지합니다.

🕸️ CodeGraph

파일 관계 및 변경 영향 분석을 갖춘 코드베이스의 심볼 수준 인덱싱입니다.

파일 전반의 심볼 인덱싱
파일 간 관계 매핑
제안된 변경 사항에 대한 영향 경로 분석
목적: 에이전트에게 코드베이스에 대한 구조적 인지 능력을 제공하여 변경 사항의 파급 범위를 추론할 수 있게 합니다.

4. 주요 하이라이트

경험 축적: 각 에이전트 실행은 이전 실행 결과를 기반으로 구축될 수 있으며, 대화 인사이트는 Skills가 되고 문서 업데이트는 Wiki를 통해 자동으로 반영됩니다.
이식 가능한 프레임워크 독립적 메모리: 메모리 자산은 특정 에이전트 도구와 분리되어 지원되는 프레임워크(OpenClaw, Hermes, Claude Code, CodeBuddy 및 커스텀 SDK) 간에 이동할 수 있습니다.
팀 규모 협업: Memory Hub 웹 제어판은 역할 기반 권한(시스템 관리자, 팀 관리자, 멤버)과 여러 가시성 수준(비공개, 팀, 제한됨, 에이전트 전용)으로 팀과 에이전트를 관리합니다.
비침습적 검색: 지식을 컨텍스트 윈도우에 통째로 주입하는 대신 도구 API를 통해 온디맨드로 가져와 프롬프트를 간결하게 유지합니다.
심볼릭 단기 메모리: 장황한 도구 로그가 node_id 참조가 포함된 컴팩트한 Mermaid 다이어그램으로 압축되어, 추적 가능성을 유지하면서 토큰 소비를 최대 61.38%까지 절감합니다.
측정된 성능 향상: 벤치마크 결과 페르소나 이해 유지율에서 59%의 상대적 향상(PersonaMem 48% → 76%), WideSearch에서 61.38% 토큰 감소와 함께 51.52% 성공률 개선, SWE-bench에서 33.09% 토큰 절약과 함께 9.93% 성공률 향상이 확인되었습니다.

5. 역할별 사용 사례

일반 개발자: Skills와 CodeGraph가 검증된 워크플로와 코드베이스 이해를 세션 전반에 걸쳐 지속시키도록 하여 코딩 에이전트와의 반복적인 소통을 줄입니다.
DevOps/SRE: 운영 런북을 Skills로 표준화하고 버전 관리하여, 에이전트가 매번 즉흥적으로 수행하는 대신 검증된 절차를 실행하도록 합니다.
데이터/연구 과학자: Wiki와 Chat Memory를 사용하여 장기간의 연구 컨텍스트와 발견 사항을 여러 에이전트 세션에 걸쳐 체계적으로 정리하고 검색 가능하게 유지합니다.
프로젝트 매니저: Memory Hub의 팀 및 역할 관리를 사용하여 어떤 에이전트와 멤버가 어떤 지식 자산에 접근, 검토 및 공유할 수 있는지 제어합니다.

6. 시작하기

필요한 것 찾기 — INSTALL.md와 ROADMAP.md를 시작으로 리포지토리 문서의 자산 유형 및 통합 가이드를 확인하세요:

git clone https://github.com/TencentCloud/TencentDB-Agent-Memory.git

설치/통합 — 가장 빠른 경로는 올인원 Docker 배포입니다(Node.js ≥22.16 필요):

cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
# .env 파일을 편집하여 LLM 파라미터 설정
./start-all.sh
# http://localhost:8125에서 Memory Hub 패널 이용 가능

OpenClaw의 경우 게시된 플러그인을 직접 설치하세요:

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

기여하기 — 워크플로에 대해 CONTRIBUTING.md를 읽은 후 GitHub에서 이슈나 풀 리퀘스트를 개설하세요:

gh repo fork TencentCloud/TencentDB-Agent-Memory

7. 프로젝트 구조

├── MemoryCore/          # 자산 처리 파이프라인 및 저장소 (L0-L3 정제)
├── MemoryKnowledge/      # Wiki/CodeGraph 인덱싱 (OpenAPI: openapi.yaml)
├── MemoryPanel/          # 팀 관리를 위한 Memory Hub 웹 인터페이스
├── MemoryProxy/          # 에이전트 프레임워크를 메모리 서비스에 연결하는 인터페이스 계층
├── sdk/memory-core/      # 직접 프로그램 통합을 위한 SDK
├── deploy/global-images/ # Docker Compose 배포 (start-all.sh, .env.example)
├── INSTALL.md            # 종합 설정 가이드
├── ROADMAP.md            # 개발 계획
└── CONTRIBUTING.md       # 기여 가이드라인

8. 관련 생태계

인정하는 업스트림 영향: CodeGraph 모듈은 Colby McHenry의 CodeGraph에서 코드 인덱싱 개념을 차용했으며, Skills는 Nous Research의 Hermes Agent 스킬 관리 패턴을 활용했고, Wiki는 Andrej Karpathy의 "LLM Wiki" 개념인 점진적으로 유지되고 에이전트가 읽을 수 있는 문서에서 영감을 받았습니다.
통합 파트너: OpenClaw, Hermes, Claude Code, CodeBuddy 및 커스텀 SDK가 에이전트 프레임워크 통합 대상으로 지원됩니다.
보완적 역할: 이 프로젝트는 기존 에이전트 프레임워크 및 IDE/CLI 도구를 대체하는 것이 아니라, 공유 메모리 계층으로서 이들과 공존하도록 설계되었습니다.

9. 라이선스

✅ MIT 라이선스에 따라 상업적 및 비영리 목적으로 소프트웨어 사본을 사용, 복사, 수정, 병합, 게시, 배포, 서브라이선스 및 판매할 수 있습니다.

10. FAQ

Q: TencentDB Agent Memory는 현재 어떤 에이전트 프레임워크와 호환됩니까?
A: 현재 OpenClaw, Hermes, Claude Code 및 CodeBuddy가 지원되며, 커스텀 통합을 위한 범용 SDK도 제공됩니다.

Q: 자체 호스팅을 위한 시스템 요구 사항은 무엇입니까?
A: 기본 요구 사항은 Node.js ≥22.16 및 Docker(올인원 deploy/global-images 배포용)입니다. 전체 세부 사항은 INSTALL.md를 참조하세요.

Q: 채팅 기록에 벡터 데이터베이스만 사용하는 것과 어떻게 다릅니까?
A: 원시 로그에 대한 플랫 벡터 검색 대신, 계층화된 처리(L0 원시 대화 → L1 사실 → L2 시나리오 → L3 프로필)를 통해 대화를 정제하고 결과를 팀 수준의 접근 제어가 포함된 Chat Memory, Skills, Wiki, CodeGraph라는 네 가지 고유한 자산 유형으로 구성합니다.

Q: 이전 버전에서 데이터를 마이그레이션할 수 있습니까?
A: 네, v2에서 v3로 업그레이드하기 위한 마이그레이션 도구가 MemoryCore/scripts/migrate-v2-to-v3/에 포함되어 있습니다.

Q: 질문하거나 버그를 신고하려면 어디로 가야 합니까?
A: 버그는 GitHub Issues(24시간 응답 목표), 기능 아이디어는 GitHub Discussions, 실시간 토론은 프로젝트의 Discord 커뮤니티를 이용해 주세요.

11. 빠른 링크

리포지토리: https://github.com/TencentCloud/TencentDB-Agent-Memory
설치 가이드: 리포지토리의 INSTALL.md
기여 가이드: 리포지토리의 CONTRIBUTING.md
커뮤니티: GitHub Discussions 및 Discord (링크는 리포지토리 README에서 확인 가능)

12. 요약

TencentDB Agent Memory는 AI 에이전트 팀에게 공유되고 구조화된 메모리 계층(Chat Memory, Skills, Wiki, CodeGraph)을 제공하여, 대화 컨텍스트, 검증된 워크플로, 문서 및 코드베이스 이해가 세션 사이에 손실되지 않고 시간이 지남에 따라 지속되고 복합적으로 쌓이도록 합니다. 이는 커스텀 메모리 시스템을 처음부터 구축하지 않으면서도 컨텍스트 유지 및 토큰 효율성에서 측정 가능한 향상을 원하는, 여러 프레임워크에서 에이전트를 운영하는 팀에 가장 적합합니다.