이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
수개월에 걸친 Computer 작업에서 매 세션마다 사용자의 선호와 과거 근거를 다시 찾는 문제를 해결하기 위해 Perplexity는 Brain이라는 파일시스템 기반 지식 위키를 구축했습니다. Brain은 knowledge/, notes/, sessions/로 기억을 계층화하고, Markdown 페이지 사이의 wikilink와 주장·원본 기록 사이의 citation을 통해 필요한 정보와 근거를 함께 탐색하게 합니다. 전경 에이전트는 초기 색인과 로컬 파일을 사용하고 Memory Agent가 필요한 자료만 의미 검색으로 추가 적재하며, 백그라운드 Dream 에이전트는 새 세션을 기존 그래프와 대조해 검증된 변경만 Git에 반영합니다. 내부 640개 질문 평가에서 answer correctness는 0.600에서 0.661로, evidence recall은 0.573에서 0.625로 올랐고, 최근 30일 온라인 평가에서는 품질 지표가 개선되는 동시에 토큰 사용량이 약 15% 줄었습니다.
빠른 이해
새로운 점
파일시스템, 지식 그래프, 인용 근거, 오프라인 Dream 갱신을 하나의 에이전트 메모리 환경으로 결합하고 실제 평가 루프와 연결한 설계입니다.
핵심 메커니즘
Computer는 부팅 시 최근 Brain 파일을 로컬 샌드박스에 적재하고, 전경 에이전트가 색인·grep·wikilink·citation을 따라 필요한 맥락을 확장합니다. Memory Agent는 누락된 자료를 의미 검색해 파일로 materialize하며, Dream은 새 세션을 기존 지식과 대조해 검증된 변경안을 Git 저장소에 동기화합니다.
핵심 수치
- 오프라인 answer correctness: Brain 0.661 · Brain 제외 0.600 · +6.1 percentage points- 44개 synthetic persona, 640개 질문
- 오프라인 evidence recall: Brain 0.625 · Brain 제외 0.573 · +5.2 percentage points- 동일 계정에서 Brain 위키만 제외한 비교
- LoCoMo ablation: 위키 제거 시 answer correctness 평균 -4.6 percentage points- 서로 다른 모델로 3회 실행한 benchmark subset
- 온라인 품질 지표: correctness +9.3 points · currentness +8.0 points · recall +8.9 points- 최근 30일 paired evaluation
- 온라인 자원 사용량: 토큰 약 -15% · 비용 -10% · 생성 시간 -10%- Brain 사용 세션과 미사용 대조군 비교
- 온라인 overall quality score: Brain 0.62 @ 0.85x · Brain 제외 0.53 @ 1.00x- 차트에 표시된 상대 토큰 사용량 기준
섹션별 상세
장기 작업을 위한 기억 구조
Computer 사용자는 수개월 동안 수백 개의 세션에 걸쳐 작업하므로, 에이전트가 이전 대화에서 얻은 선호와 작업 결과를 다음 세션에 이어받는 구조가 필요합니다. 모든 기억 파일을 프롬프트에 넣으면 관련성이 낮은 정보가 컨텍스트를 차지하고, 외부 데이터베이스에만 저장하면 에이전트가 탐색 방법까지 부담해야 합니다. Brain은 정리된 지식 위키를 원본 세션과 파일 위에 배치해 주제 간 관계와 각 주장에 대한 출처를 함께 보존합니다. 그 결과 단순한 선호는 빠르게 읽고, 여러 주와 세션에 흩어진 사실은 연결된 근거를 따라가며 회수하는 방식이 가능해집니다.
파일시스템 위의 지식 위키
Computer의 지속 메모리는 별도 인터페이스가 아니라 샌드박스의 memory/ 디렉터리 아래 파일로 구현됩니다. knowledge/에는 엔터티, 개념, 프로젝트, 과거 학습을 연결한 Brain 위키가 들어가고, notes/에는 주제별로 압축한 조각이, sessions/에는 색인·요약·전체 기록이 저장됩니다. Brain의 Markdown 페이지 사이에는 관련 주제를 잇는 [[wikilinks]]가 놓이고, [cite:N] 인용은 주장을 뒷받침하는 세션이나 connector 기록으로 연결됩니다. 페이지는 단독으로 읽을 수 있는 현재 요약을 제공하면서도 링크와 인용을 통해 더 넓은 맥락과 원본 근거로 내려가는 구조입니다.
에이전트의 단계적 탐색
사용자 질문이 들어오면 에이전트는 초기 메시지에 포함된 Brain 색인으로 존재하는 지식의 범위를 먼저 파악합니다. 이후 cat과 grep으로 관련 페이지를 찾고, 필요한 경우 문맥 링크를 따라 관련 엔터티를 읽거나 인용을 해소해 원본 세션과 connector 자료를 확인합니다. 질문이 단일 사실에 그치면 현재 페이지의 정보를 사용하지만, 중요한 결정이나 출처 충돌이 있으면 원본 기록과 Git 변경 이력까지 내려갑니다. 고정된 검색 파이프라인 대신 충분한 맥락을 얻었다고 판단할 때까지 탐색 깊이와 범위를 조정하는 방식이 핵심입니다.
bash
# 1. Orient: the index is a map of everything known
cat memory/knowledge/index.md
# 2. Target: find pages that touch the question
grep -Ril "kyoto\|sendai" memory/knowledge/
# 3. Read the page; follow context edges as needed
cat memory/knowledge/projects/japan-universal-design-sprint.md
cat memory/knowledge/entities/sora-city-laboratory.md
# via [[wikilink]]
cat memory/knowledge/entities/sapphir-mobility-coop.md
# via [[wikilink]]
cat memory/knowledge/entities/sapphir-mobility-coop.md
# 4. Only if the claim must be verified: resolve evidence
# city bases → [cite:1], [cite:10] → pplx://sessions/
#
# Example (pseudo, replace with your real tool):
# pplx-session-fetch 1eaf53d4-09e0-5823-bb96-c8662f582708 --slice
# 5. Some evidence lives outside the sessions
# meeting slots → [cite:15] → connector://google-calendar
#
# pplx-connector-fetch google-calendar --query "japan-sprint"Brain의 색인에서 시작해 관련 페이지를 grep으로 찾고, 위키 링크와 인용을 따라 원본 세션이나 외부 connector 기록까지 접근하는 탐색 예시입니다.
필요한 파일만 로컬에 적재
전체 memory/ 트리를 샌드박스에 복사하면 대부분의 파일이 사용되지 않는 상태에서도 초기 비용이 발생하고, 원격 파일시스템을 쓰면 수많은 파일 연산이 네트워크 왕복으로 바뀝니다. 원문은 원격 FUSE 경로의 단순 grep이 로컬 파일보다 약 400~500배 느렸다고 밝힙니다. Computer는 부팅 시 최근 메모리와 세션, 요약, 지식에서 만든 초기 지도를 로컬에 적재하고, Memory Agent가 의미 검색으로 추가 파일을 묶음 단위로 찾아 supporting records를 memory/ 아래에 materialize합니다. 이렇게 하면 자주 읽는 작업 집합은 로컬 연산 속도를 유지하고, 전체 코퍼스는 필요할 때만 확장되며, 메인 에이전트의 컨텍스트 창도 핵심 정보에 집중됩니다.
Dream의 백그라운드 지식 갱신
새 세션과 대화가 쌓이면 Dream 에이전트가 오프라인 샌드박스에서 기존 Brain을 기준으로 새로운 사실을 요약하고 관련 페이지에 배치합니다. Dream은 먼저 현재 범위와 지침, 삭제 기록, 추가 입력, 종료 조건을 파악한 뒤 새 세션 요약을 만들고 중요한 관찰을 적절한 위키 페이지에 연결합니다. 이후 새 주제의 페이지를 만들거나 기존 합성을 수정하고, 필요한 wikilink와 citation을 추가하며 현재 그래프가 충분하면 변경하지 않을 수도 있습니다. 변경안은 스테이징 트리에 모인 뒤 형식과 인용 구조를 결정적으로 검사하고, 수집된 근거와 그래프 전체의 일관성을 의미적으로 확인한 후 Git 저장소에 동기화됩니다.
평가 결과와 운영상 의미
내부 오프라인 평가는 44개 synthetic persona와 640개 질문으로 구성되며, Brain을 켠 조건과 위키만 제외한 조건을 같은 계정과 질문에서 비교합니다. Brain 사용 시 answer correctness는 0.600에서 0.661로 6.1 percentage points, evidence recall은 0.573에서 0.625로 5.2 percentage points 높아졌고, 선호·시간 추론·과거 활동 세부 정보 질문에서 증가 폭이 더 컸습니다. 최근 30일 온라인 paired evaluation에서는 correctness 9.3 points, currentness 8.0 points, recall 8.9 points가 개선됐으며 토큰은 약 15%, 비용은 10%, 생성 시간은 10% 줄었습니다. 다만 LoCoMo에서는 위키 제거 시 correctness가 평균 4.6 percentage points 낮아졌지만 LongMemEval-S에서는 통계적으로 유의한 변화가 없어, Brain의 효과가 여러 세션에 흩어진 근거를 통합해야 하는 작업에서 특히 크게 나타난다는 해석이 타당합니다.
용어 해설
- 정밀도-재현율 절충(Precision-recall tradeoff)
- — 메모리를 많이 넣으면 관련 없는 정보까지 컨텍스트를 차지해 정밀도가 낮아지고, 적게 넣으면 필요한 정보가 빠져 재현율이 떨어지는 문제입니다. Brain은 지식 위키와 원본 기록을 필요할 때 탐색하도록 구성해 두 측면을 조정합니다.
- 파일시스템 기반 컨텍스트(Filesystem-native context)
- — 모델이 별도 메모리 API 대신 샌드박스의 파일과 기존 shell·I/O 도구를 사용해 기억에 접근하는 구조입니다. Brain은 memory/ 아래에 지식, 노트, 세션을 파일로 배치해 탐색 경로와 출처 관계를 유지합니다.
- 위키 링크(Wikilink)
- — 서로 다른 Markdown 페이지를 연결하는 문맥 링크입니다. 프로젝트와 담당자, 고객, 관련 개념처럼 주제 사이의 관계를 따라가며 추가로 필요한 정보를 찾는 데 쓰입니다.
- 근거 연결(Evidence edge)
- — 지식 페이지의 주장을 원본 세션이나 connector 기록으로 연결하는 인용 관계입니다. 에이전트는 이 연결을 따라가며 정보의 출처와 최신성을 확인할 수 있습니다.
- 스테이징 출력 트리(Staged output tree)
- — 백그라운드 에이전트가 지식 변경안을 영구 저장 전에 임시 트리에 모아 일괄 검증하는 구조입니다. 형식 검사와 의미 검증을 모두 통과한 뒤에만 기존 저장소와 동기화합니다.
- 쌍대 평가(Paired evaluation)
- — 동일한 질문과 대응하는 사용자 상태를 Brain 사용 조건과 미사용 조건에 각각 적용해 결과를 비교하는 평가 방식입니다. 실제 사용자 기록에서 정확성, 최신성, 재현율, 토큰 사용량 차이를 측정할 수 있습니다.
기술
- Brain
- Computer
- Dream
- Markdown
- Git
- Memory Agent
- filesystem
- FUSE
- LoCoMo
- LongMemEval-S
언급된 리소스
문서원문 링크
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
수집 2026. 08. 20.출처 타입 WEB
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
