Know Thyself: LLM의 개인 기억을 구조화된 지식 그래프로 변환하는 프레임워크

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.

근거

평면적인 메모리 리스트를 출처가 명시된 그래프로 재구성하면 정직한 신뢰도 축적이 가능하다. — README.md의 'Know Thyself' 섹션 첫 문단

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.

근거

개인 그래프는 과학적 그래프와 달리 노드는 밀집되지만 인접성(Edge-density)은 희소한 특성을 가진다. — README.md의 'Inverted edge-density prediction' 섹션

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.

기술

Claude
YAML
Python
Graphviz
MCP
PROV-O

활용 사례

LLM 장기 기억 구조화
개인용 지식 관리 시스템(PKM)
AI 에이전트의 사용자 프로파일링 최적화

언급된 리소스

GitHubKnow Thyself GitHub Repository

문서SCHEMA.md

문서SAFETY.md