FERNme: 퍼지-에지 기억 네트워크

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

TL;DR

FERNme은 에이전트가 다수의 사이트에서 동작하는 상황에서 기억 관리를 개선하기 위해 고안된 로컬 메모리 엔진이다. 입력 이벤트를 per-site 그래프에 기록하고 Hebbian 업데이트와 decay를 통해 노드를 갱신하며, 필요한 경우 조회는 spreading activation으로 수행해 카드 형태의 출력으로 제공한다. 메모리 카드의 길이는 약 25 토큰으로 고정되어 LLM 호출을 최소화하고, Cross-site 슈퍼노드를 통해 사용자의 기억을 다수 사이트에서 공유하되 사용자의 동의와 기본 차단 정책으로 프라이버시를 보장한다. 실험은 1,000회 상호작용 기준의 비용/품질 Pareto를 제시하며, 시뮬레이션에서 전환율이 +16% 증가하는 등 실용적 이점을 보여준다. 이 접근은 “제로-LLM” 쓰기로 비용을 대폭 절감하되 필요 시에만 LLM을 호출하는 하이브리드 방식으로, 비용과 응답 품질 사이의 트레이드오프를 실용적으로 최적화한다.

섹션별 상세

에이전트 기억 관리의 비용은 매 상호작용에서의 LLM 호출에 크게 의존한다. 입력 이벤트를 per-site 그래프에 기록하고 Hebbian 업데이트와 decay로 그래프를 갱신하며, 필요 시 조회는 spreading activation으로 수행되어 카드 형태의 출력이 생성된다. 0 LLM calls per interaction이며, 생성되는 메모리 카드는 약 25 토큰으로 고정된다. 이 구조는 비용과 지연을 줄이면서도 대화의 맥락을 유지하는 실험적 기반을 제공한다.

Cost/quality Pareto 차트 — FERNme 변형 간의 비용 대 품질 비교 — Chart차트는 FERNme 구성들의 비용-품질 관계를 시각화한다. gated/offline 모드가 대체로 낮은 비용에서도 합리적 품질을 유지하는 경향을 보여주고, full-history는 더 높은 비용과 품질을 제시하는 경향이 있다. 이 정보를 바탕으로 비용-효율 최적 구간을 식별할 수 있다.

근거

0 LLM calls per interaction — How FERNme works — Memory write path 출처
memory card는 약 25 토큰으로 고정된다 — Memory card ~25 tok 출처

메모리 저장은 사이트별로 분리된 그래프 구조로 관리되고, cross-site 기억은 사용자의 동의 하에 수집되며, per-site 그래프와 cross-site 슈퍼노드를 통해 다중 사이트 맥락을 연결한다. population priors로 냉시작을 제공하고, 희소 그래프(노드 간 가중치 0–9)로 기억을 업데이트하며, 출력은 메모리 카드와 그래프를 통해 제공된다. 프라이버시를 보장하면서도 사용자에 의해 소유된 기억을 다중 사이트에서 활용하는 구성이 가능하다.

메모리 카드는 길이가 짧아 빠른 조회를 가능하게 하며, 카드당 약 25 토큰으로 제한된다. 입력은 카드 생성-출력으로 연결되고, 신규 텍스트에 대해서만 LLM을 호출하는 게이트를 둔다. FULL-history는 120회 상호작용에서 증가하지만, 카드 기반 접근은 비용 효율과 응답 속도 측면에서 우위를 제공한다.

실험은 Pareto 프런티어를 통해 비용과 품질의 균형을 제시하고, 시뮬레이션에서 +16%의 전환 상승을 관찰한다. 다양한 모드(gated/offline/full-history) 간 비용-품질Trade-off를 보여주며, Mem0 대비 현저한 비용 절감을 달성하는 경향을 확인한다. 이로써 로컬 메모리 기반 접근이 대규모 RAG/벡터 검색 대비 실무적 이점을 제공함을 시사한다.

근거

시뮬레이션에서 +16% 전환 상승 — Simulated storefront evaluation 출처
Pareto frontier에서 비용 절감이 크게 나타난다 — Pareto frontier / cost-variance / drift 출처

용어 해설

헤비언 기억(Hebbian memory): — 헤비언(Hebbian) 학습은 연관된 기억 간의 연결 강도를 강화하는 규칙으로, 이 글의 맥락에서는 에이전트의 이벤트 간 관계를 그래프 구조로 업데이트해 기억 네트워크를 확장하는 기제로 작동한다.
토큰 최소 카드(token-minimal card): — 기억 요약을 카드 형태로 표현할 때 필요한 토큰 수를 최소화하는 설계로, 빠른 조회와 낮은 출력 비용을 목표로 한다.
확산 활성화(spreading activation): — 그래프 기반 검색에서 관련 노드 간의 활성화를 퍼뜨려 관련 정보를 효과적으로 찾는 기법으로, 메모리 조회의 효율을 높인다.
집단 우선 정보(population prior): — 냉시작 시 넓은 맥락 정보를 제공하기 위해 대규모 인구 기반의 초기 맥락(prior)을 활용하는 방법으로, 개인 데이터의 초기 적합성을 높인다.
크로스-사이트 슈퍼노드(cross-site supernode): — 여러 사이트에 흩어진 사용자의 기억을 하나의 소유 가능한 프로필로 묶는 네트워크 구조로, 사용자 동의 하에 크로스 사이트 컨텍스트를 공유한다.

기술

Python
SQLite
PostgreSQL
REST API
FastAPI
MCP
Hebbian learning

활용 사례

AI agent memory
cross-site memory
privacy-preserving memory

언급된 리소스

GitHubFERNme GitHub repository