AI 에이전트를 위한 지식 그래프 기반 통합 메모리 설계 경험

섹션별 상세

프레임워크의 한계: LangGraph와 CrewAI는 커스텀 온톨로지 제약, 불변 로그, 복합 ID, 다중 홉 탐색 등 복잡한 요구사항에서 성능 저하를 보였다. 시스템 로직과 메모리 제어권을 직접 확보하는 것이 프로덕션 환경에서 더 안정적이다.

온톨로지 설계: 완벽한 설계를 미리 하려다 프로젝트가 정체되는 문제를 겪었다. POLE+O(Person, Object, Location, Event, Organization) 기반의 기초 모델에서 시작하여 데이터 충돌 시 확장하는 데이터 탐색 루프 방식이 효율적이다.

개체 해상도와 중복 제거의 구분: 이름이 곧 식별자가 아니므로 두 개념을 혼동하면 그래프가 오염된다. 개체 해상도는 동종 매칭으로 이름을 정규화하고, 중복 제거는 전체 컨텍스트를 기반으로 임계값을 설정하여 자동 병합하거나 검토하는 방식으로 처리해야 한다.

추론 메모리 도입: 에이전트가 실패한 전략을 반복하는 문제를 해결하기 위해 추론 메모리를 추가했다. 각 실행 단계의 전략, 도구 사용, 성공 여부, 비용을 데이터베이스 레이어에 저장하여 에이전트가 학습하도록 설계했다.

아키텍처 최적화: 불변 로그 레이어를 별도로 구축하는 것은 VM 메모리 비용을 크게 증가시킨다. 단일 컬렉션에서 엣지를 일급 문서로 취급하는 모델이 네이티브 그래프 조회와 쓰기 성능 면에서 가장 실용적이다.