Areev의 서버 없는 에이전트 메모리

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Areev는 에이전트 메모리를 서버가 아닌 로컬 디스크의 SQLite 파일로 저장하고, recall을 프로세스 내부 함수 호출로 처리하는 Rust 기반 구현이다. Structural Recall은 M4 Max에서 약 30us p50, Raspberry Pi 3에서 약 361us를 기록했으며 localhost HTTP sidecar를 거치면 158us가 걸려 네트워크 홉이 주요 비용으로 나타났다. 메모리 개선 과정은 13개의 결정론적 분석기가 실행 이력에서 typed recommendation을 만들고, 사람의 승인과 변경 역저장, 1일·7일·30일 재측정 및 자동 revert 제안으로 이어진다. Semantic Recall에만 Embedder가 필요하고, Areev는 모델 정보를 메타데이터에 남겨 나중의 불일치를 포착하지만 모델 가중치 자체는 변경하지 않는다.

섹션별 상세

Areev는 에이전트 호출 경로에 서비스와 모델을 두는 일반적인 메모리 구조 대신, 디스크의 SQLite 파일을 저장소로 삼고 recall을 로컬 함수 호출로 처리한다. Rust로 작성된 17개 crate 구성과 dual MIT/Apache 라이선스를 사용하며, Turso 또는 Postgres 스키마도 동일한 semantics를 따르도록 conformance suite로 묶었다. M4 Max에서 프로세스 내부 Structural Recall은 약 30us p50이었고 localhost HTTP sidecar를 통하면 158us가 걸려 저장소보다 네트워크 홉이 비용의 핵심으로 나타났다.

Areev의 Structural Recall은 별도 서버나 daemon 없이 에이전트 실행 기록의 구조적 정보를 조회하는 방식으로 동작한다. 동일한 recall 요청을 sidecar로 보내면 HTTP 왕복이 추가되지만, 프로세스 안에서는 그 단계를 건너뛰어 turn loop에 필요한 지연을 줄인다. 2016년형 $35 Raspberry Pi 3에서도 500~8,000 grains 구간에 약 361us가 일정하게 측정됐고, 2018년형 Intel NUC는 2024년형 노트북과 약 30us로 맞먹었다.

메모리 개선 루프는 모델 호출 없이 13개의 결정론적 analyzer가 에이전트의 실행 이력을 읽고 근거를 content hash로 연결한 typed recommendation을 만드는 구조다. 사람은 서면 사유와 함께 변경을 승인하고, 적용 단계마다 inverse를 저장하며, 1일·7일·30일 뒤 회귀 측정에서 문제가 보이면 시스템이 자체 revert를 제안한다. 입력 기록이 매번 달라지는 상황에서는 Temperature 0만으로 결과 재현성을 보장하기 어렵기 때문에, 결정론적 proposal이 A/B 비교 가능한 개선 절차를 만든다는 점이 핵심이다.

Areev는 Structural Recall과 analyzer, governance 경로를 model-free로 유지하고 Semantic Recall에만 Embedder를 선택적으로 연결한다. Embedder는 로컬 또는 외부에서 실행할 수 있으며, 사용한 embedding model을 store metadata에 기록해 이후 모델 불일치를 조용히 놓치지 않도록 한다. 저장소에는 하네스와 raw data, committed transcript가 포함되고 CI가 공개 수치와 저장소 상태의 차이를 검사하지만, 변경은 명시적인 host grant 없이는 적용되지 않으며 모델 weights는 개선하지 않는다.

이미지 분석

Screenshot
이미지는 Areev 저장소의 프로젝트 정체성과 GitHub 활동 지표를 한 화면에 담은 스크린샷이다. 본문에서 설명한 에이전트 메모리 구현의 실제 저장소가 AreevAI/areev임을 확인해 주지만, Structural Recall 지연이나 결정론적 analyzer의 처리 과정 같은 기술 수치는 이미지에 나타나지 않는다.
AreevAI/areev GitHub 저장소의 소개 화면으로, Areev를 adaptive agent용 substrate로 설명하고 Contributors 4명, Issues 9개, Stars 19개, Forks 4개를 표시한다.

용어 해설

구조적 검색(Structural Recall): — 에이전트 실행 기록의 구조와 내용 해시 같은 명시적 정보를 이용해 필요한 기억을 찾는 방식이다. Embedding 없이 함수 호출과 SQLite 조회만으로 동작해 서버 통신 비용을 피하고, 프로세스 내부에서 약 30us p50의 recall 지연을 기록했다.
의미 기반 검색(Semantic Recall): — 질의와 기억의 의미적 유사도를 Embedding으로 계산해 관련 정보를 찾는 방식이다. Areev에서는 Structural Recall과 분리되어 있으며, Embedder를 로컬 또는 외부에서 실행할 수 있고 사용한 Embedding model을 저장소 메타데이터에 기록한다.
결정론적 분석기(Deterministic Analyzer): — 동일한 실행 기록을 입력하면 같은 결과를 내도록 설계된 분석기다. Areev의 13개 분석기는 에이전트 실행 이력을 읽고 근거를 content hash로 인용하는 typed recommendation을 생성해 메모리 개선 과정의 재현성을 높인다.
사이드카 아키텍처(Sidecar Architecture): — 주 프로세스와 별도의 보조 서비스가 HTTP 같은 네트워크 인터페이스를 통해 기능을 제공하는 구조다. 글의 측정에서는 localhost HTTP sidecar를 통한 recall이 158us로, 프로세스 내부 Structural Recall의 약 30us보다 느려 turn loop에는 부적합하다고 평가된다.
호환성 검증 모음(Conformance Suite): — 서로 다른 구현이 동일한 동작 규칙과 결과를 따르는지 자동으로 확인하는 테스트 집합이다. Areev는 SQLite 기반 저장소와 Turso 또는 Postgres 스키마가 동일한 semantics를 유지하는지 검증하며, 하네스와 원시 데이터의 수치가 저장소의 실제 상태와 어긋나면 CI 빌드를 실패시킨다.

언급된 도구

Areev중립링크

에이전트 실행 이력에서 로컬 메모리를 검색하고 결정론적 analyzer와 승인 기반 변경 관리로 메모리를 개선하는 Rust 구현이다.

언급된 리소스

GitHubAreevAI/areev