MCP를 활용하여 Claude를 장기 기억 시스템으로 변환하기 (BrainAPI 설정 및 플러그인)

실용적 조언

Docker를 사용하여 BrainAPI를 로컬에 빠르게 배포하고 Claude와 연동해볼 수 있다.
복잡한 관계 데이터가 많은 경우 단순 벡터 검색 대신 지식 그래프 기반의 조회를 우선 고려해야 한다.

섹션별 상세

기존 RAG와 지식 그래프 기반 메모리의 차이점을 강조했다. 단순한 컨텍스트 주입 방식에서 벗어나 Claude가 엔티티 간의 관계를 탐색하고 구조화된 메모리 위에서 추론하도록 설계했다. 이를 통해 모델은 단순 유사도 검색이 아닌 논리적 경로를 따라 정보를 탐색한다. 결과적으로 세션 간 정보를 연결하고 복잡한 관계를 이해하는 능력이 향상됐다.

BrainAPI의 데이터 처리 파이프라인인 '라운드 테이블' 구조를 설명했다. Scout 에이전트가 신호를 찾고, Architect가 엔티티와 관계를 구축하며, Janitor가 충돌을 정제하는 멀티 에이전트 방식을 채택했다. 입력된 데이터는 최종적으로 연결된 그래프(Connected Graph) 형태로 저장된다. 이 과정은 비정형 데이터를 구조화된 지식으로 변환하는 핵심 메커니즘이다.

MCP(Model Context Protocol)가 메모리 시스템 연동에서 갖는 중요성을 언급했다. 메모리 기능을 프롬프트에 직접 해킹해 넣는 대신, 외부 시스템을 도구(Tools) 형태로 노출하여 Claude가 직접 API를 호출하게 했다. Claude는 검색 API를 호출하거나 엔티티 관계를 탐색하는 로직을 스스로 실행한다. 이는 프롬프트 토큰 소모를 줄이면서도 방대한 외부 지식에 접근하는 효율적인 방법이다.

실제 활용 사례로 사용자 행동 기반의 추천 시스템 구현 가능성을 제시했다. 사용자가 특정 기술 튜토리얼을 북마크하면 '사용자-관심-기술' 관계가 그래프에 즉시 반영된다. Claude는 이 그래프 경로를 추적하여 왜 특정 콘텐츠를 추천하는지 논리적으로 설명할 수 있다. 단순한 텍스트 매칭을 넘어선 개인화된 에이전트 경험을 제공한다.

bash

git clone [email protected]:Lumen-Labs/brainapi2.git
cd brainapi2
cp .env.example .env
docker compose -f example-docker-compose.yaml up -d

BrainAPI를 로컬 환경에서 실행하기 위한 Docker 설정 및 실행 명령어

text

POST /ingest
GET /retrieve

데이터 주입 및 조회를 위한 기본 API 엔드포인트 예시

용어 해설

모델 컨텍스트 프로토콜(Model Context Protocol (MCP)): — AI 모델이 외부 데이터 소스나 도구와 표준화된 방식으로 상호작용할 수 있도록 돕는 개방형 프로토콜이다. 프롬프트에 직접 데이터를 넣는 대신 모델이 필요할 때마다 외부 API를 호출하게 하여 효율적인 데이터 연동을 가능케 한다.
지식 그래프(Knowledge Graph): — 엔티티(개체)와 그들 사이의 관계를 그래프 구조로 표현한 지식 베이스이다. 단순 텍스트 검색을 넘어 데이터 간의 의미적 연결을 추론하고 복잡한 관계를 탐색하는 데 필수적인 기술이다.
상태 비저장 모델(Stateless Model): — 이전 대화나 상호작용의 기억을 내부적으로 유지하지 않고 각 요청을 독립적으로 처리하는 모델 특성이다. 장기적인 문맥 유지를 위해서는 외부 메모리 시스템이나 RAG와 같은 보조 장치가 필요하다.
멀티 에이전트 파이프라인(Multi-agent Pipeline): — 특정 목적을 달성하기 위해 서로 다른 역할을 가진 여러 AI 에이전트가 순차적 혹은 병렬적으로 협업하는 구조이다. 데이터 수집, 엔티티 추출, 정제 등 각 단계를 전문화된 에이전트가 처리하여 정확도를 높인다.

언급된 도구

BrainAPI추천링크

구조화된 지식 그래프 기반의 메모리 레이어 제공

MCP추천

Claude와 외부 시스템 간의 도구 연동 프로토콜

언급된 리소스

GitHubBrainAPI GitHub Repository

DemoBrainAPI 공식 웹사이트 및 데모