Know Thyself: LLM의 개인 기억을 구조화된 지식 그래프로 변환하는 프레임워크

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

핵심 요약

이 프로젝트는 LLM이 사용자에 대해 저장한 평면적인 기억 리스트를 사실, 에피소드, 패턴, 해석, 열린 질문 등의 노드 타입을 가진 구조화된 그래프로 재구성합니다. 기존의 단순 반복된 주장을 독립적인 증거로 오인하는 문제를 해결하기 위해 모든 클레임에 출처(Provenance)와 파생 근거를 부여하여 정직한 신뢰도 축적을 가능하게 합니다. W3C의 PROV-O 표준을 기반으로 하면서도 개인의 삶에 특화된 관찰 노드 분리, 시간적 유효성 축, 민감 정보 처리 지침 등을 추가로 설계했습니다. 사용자는 Claude와 같은 모델에 특정 프롬프트를 입력하여 생성된 YAML 파일을 통해 인터랙티브한 시각화 대시보드를 구축할 수 있습니다.

배경

LLM 프롬프트 엔지니어링 기초, YAML 데이터 구조에 대한 이해, Python 환경 및 Graphviz 설치

대상 독자

LLM 개인화 메모리 시스템을 설계하는 개발자 및 AI 에이전트 아키텍트

의미 / 영향

이 프레임워크는 LLM이 사용자를 이해하는 방식을 단순 암기에서 구조적 이해로 격상시킵니다. 특히 장기 기억(Long-term memory)을 다루는 에이전트 서비스에서 데이터의 오염을 방지하고 신뢰할 수 있는 개인화 서비스를 제공하는 표준 스키마로 활용될 가능성이 높습니다.

섹션별 상세

LLM의 평면적인 기억 리스트는 동일한 주장이 반복될 때 이를 독립적인 증거로 오해하여 신뢰도를 잘못 측정하는 구조적 결함이 있습니다. Know Thyself는 이를 해결하기 위해 사실(Fact), 에피소드(Episode), 패턴(Pattern) 등 타입이 지정된 노드 구조를 도입하여 데이터의 출처와 유도 과정을 명확히 관리합니다. 이를 통해 모델이 단순히 많이 들은 정보가 아니라 독립적으로 검증된 정보에 대해서만 높은 신뢰도를 갖도록 강제합니다.

개인 기억의 특수성을 반영하기 위해 관찰(Observation)을 1급 노드 타입으로 분리하여 해석과 사건이 혼동되지 않도록 설계했습니다. 과학적 그래프와 달리 개인의 기억은 시간이 흐름에 따라 동일한 사건에 대한 해석이 달라질 수 있으므로 에피소드와 해석 노드를 분리하여 유지합니다. 이러한 구조는 과거의 사건이 현재의 시점에서 새롭게 정의될 때 데이터의 무결성을 유지하는 역할을 합니다.

모든 정보 노드에 시간적 유효성(valid_at) 축을 도입하여 개인 정보의 휘발성과 변화 가능성을 관리합니다. 물리 법칙과 달리 개인에 대한 명제는 영구적이지 않으므로 각 클레임은 유효 기간을 가지며 재확인되지 않을 경우 신뢰도가 감쇄하도록 설계되었습니다. 이는 LLM이 사용자의 과거 상태에 매몰되지 않고 현재의 변화된 모습을 정확히 반영하도록 돕습니다.

사용자는 제공된 프롬프트를 Claude와 같은 LLM에 입력하여 자신의 기억 데이터를 구조화된 YAML 형식으로 추출하고 이를 시각화할 수 있습니다. 리포지토리에 포함된 Python 스크립트를 통해 인터랙티브 HTML 대시보드나 정적 Graphviz 다이어그램, PDF 등 다양한 형태로 그래프를 렌더링할 수 있습니다. 특히 Claude Code 사용자를 위한 전용 슬래시 명령어(/know-thyself)를 지원하여 워크플로우 효율성을 높였습니다.

실무 Takeaway

LLM 기반 개인 비서 시스템 구축 시 단순 텍스트 나열 대신 Provenance(출처)가 명시된 그래프 구조를 사용하면 모델의 환각을 줄이고 근거 있는 추론이 가능해집니다.
개인화 데이터 모델링에서 사건(Episode)과 해석(Interpretation)을 분리하면 시간이 지남에 따라 변화하는 사용자의 가치관과 상태를 더 유연하게 반영할 수 있습니다.
데이터의 신뢰도를 단순 수치가 아닌 타입별 계층(Type-tier confidence)으로 관리하여 외부 검증이 어려운 개인 정보의 특성을 정직하게 표현할 수 있습니다.

언급된 리소스

GitHubKnow Thyself GitHub Repository

문서SCHEMA.md

문서SAFETY.md

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

핵심 요약

배경

LLM 프롬프트 엔지니어링 기초, YAML 데이터 구조에 대한 이해, Python 환경 및 Graphviz 설치

대상 독자

LLM 개인화 메모리 시스템을 설계하는 개발자 및 AI 에이전트 아키텍트

의미 / 영향

섹션별 상세

실무 Takeaway

LLM 기반 개인 비서 시스템 구축 시 단순 텍스트 나열 대신 Provenance(출처)가 명시된 그래프 구조를 사용하면 모델의 환각을 줄이고 근거 있는 추론이 가능해집니다.
개인화 데이터 모델링에서 사건(Episode)과 해석(Interpretation)을 분리하면 시간이 지남에 따라 변화하는 사용자의 가치관과 상태를 더 유연하게 반영할 수 있습니다.
데이터의 신뢰도를 단순 수치가 아닌 타입별 계층(Type-tier confidence)으로 관리하여 외부 검증이 어려운 개인 정보의 특성을 정직하게 표현할 수 있습니다.

언급된 리소스

GitHubKnow Thyself GitHub Repository

문서SCHEMA.md

문서SAFETY.md

Know Thyself: LLM의 개인 기억을 구조화된 지식 그래프로 변환하는 프레임워크

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

Know Thyself: LLM의 개인 기억을 구조화된 지식 그래프로 변환하는 프레임워크

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드