오픈위키(OpenWiki): 코딩 에이전트가 읽을 저장소 문서를 자동으로 만들고 갱신하는 CLI
랭체인이 공개한 오픈위키는 사람이 아니라 코딩 에이전트가 읽을 저장소 문서를 만들고 스스로 갱신하는 오픈소스 도구다. 설계 원칙과 초기 평가 결과, 그리고 팀이 스스로 틀렸다고 인정한 전제까지 정리했다.
핵심 내용 읽기 →
AI TOPIC
에이전트 메모리 최신 뉴스와 핵심 해설
에이전트 메모리 관련 핵심 뉴스와 활용 인사이트 14편을 최신순으로 모았습니다.
AI 에이전트 비용 95% 절감 사례: 프롬프트 캐시 적중률과 서브에이전트 설계의 실제
유니파이 CTO 코너 헤기가 밝힌 에이전트 운영의 실제. 출시 직전 비용을 95% 줄인 방법, 프롬프트 캐시 적중률 95%를 만든 해시 분산 전략, 낭비된 도구 호출을 지표로 삼는 이유, 심판 모델을 다른 회사 모델로 두는 원칙을 정리했다.
핵심 내용 읽기 →
앤트로픽 에이전트 메모리와 드리밍 — AI가 스스로 학습하는 기억 구조 설계 정리
앤트로픽이 개발자 세션에서 공개한 AI 에이전트 메모리 설계와 새 기능 '드리밍'을 정리했다. 기억을 파일 시스템처럼 다루는 방식부터 권한 범위, 동시성 제어, 버전 기록까지 실제 운영에 필요한 요소를 짚는다.
핵심 내용 읽기 →
AI 에이전트 하네스란 무엇인가, 랭체인 창업자가 정리한 에이전트 스택의 네 가지 축
루프를 도는 언어 모델에 도구와 파일 시스템을 붙인 하네스가 에이전트의 성패를 가른다. 시스템 프롬프트·플래닝 도구·서브에이전트·파일 시스템이라는 네 축과 컨텍스트 압축, 장단기 메모리, 샌드박스 보안까지 짚은 인터뷰를 정리했다.
핵심 내용 읽기 →
AI 에이전트 구조 입문: 인식·추론·도구 실행과 ReAct 패턴, 네 가지 메모리 정리
AI 에이전트를 만들기 전에 알아야 할 다섯 가지 구성요소와 추론·행동을 반복하는 ReAct 패턴, 그리고 단기·장기·일화·의미 네 가지 기억이 각각 어떤 정보를 담당하고 어떻게 함께 쓰이는지를 실제 예시와 함께 정리했다.
핵심 내용 읽기 →
AI 에이전트 메모리 구조 정리: 리콜·리테인과 Mem0·Honcho 엔진 비교 실험
대화창을 새로 열면 사용자를 잊는 AI를 어떻게 기억하게 만들까. 리콜과 리테인이라는 두 단계, 메모리의 네 가지 층위, 그리고 벡터 검색 기반 메모리 엔진 네 가지를 나란히 비교한 실험을 정리했다.
핵심 내용 읽기 →
AI 에이전트 메모리 한계 정리: 벡터 검색 대신 그래프 메모리가 필요한 이유와 실제 비교 데모 결과
AI Engineer 컨퍼런스 발표 정리. 벡터 검색만으로는 다단계 추론이 왜 무너지는지, 같은 원본 문서를 벡터 저장소와 그래프 저장소로 각각 만들어 같은 질문을 던진 비교 데모에서 어떤 차이가 났는지 짚어본다.
핵심 내용 읽기 →
MongoDB 벡터 검색과 자동 임베딩(autoEmbed): 키워드 검색과 무엇이 다를까
MongoDB의 autoEmbed 인덱스는 콘텐츠를 넣기만 하면 Voyage AI로 임베딩을 자동 생성한다. 키워드 검색과 벡터 검색의 차이, 임베딩의 원리, LLM 에이전트 메모리에서 벡터 검색이 중요한 이유를 정리했다.
핵심 내용 읽기 →
오픈위키 퍼스널 브레인 설정법: 노션·지메일·X 연결로 AI 에이전트 능동형 범용 메모리 만들기
랭체인이 공개한 오픈소스 오픈위키의 퍼스널 브레인은 노션·지메일·X 등 내가 이미 쓰는 서비스를 스스로 훑어 능동적으로 기억을 쌓는 AI 에이전트 범용 메모리다. 반응형 메모리와의 차이, 커넥터 연결과 설정법까지 정리했다.
핵심 내용 읽기 →
LLM 위키와 에이전트 메모리 — 랭체인 웨비나로 본 지식 관리의 미래
랭체인이 크로마·도수와 함께 'LLM 위키'와 에이전트 메모리를 논의했다. 위키를 캐시이자 인덱스로 보는 관점, 사람 개입, 유지·관리의 어려움과 ROI 측정까지 정리했다.
핵심 내용 읽기 →
프로덕션 AI 에이전트 아키텍처: 마크다운 지식베이스가 확장되지 않는 이유
개인용 AI 에이전트는 마크다운 지식베이스로 충분하지만, 여러 사용자에게 배포하는 프로덕션에서는 데이터베이스 위에 컨텍스트 검색과 에이전트 메모리 층이 필요하다.
핵심 내용 읽기 →
AI 에이전트 메모리를 SQL 하나로 구축하기: TiDB로 벡터·키워드·트랜잭션 통합
AI 에이전트의 지속형 기억을 데이터베이스 세 개 대신 TiDB 하나로 구현하는 방법을 다룬다. 자동 임베딩, 벡터·전문 검색, 하이브리드 검색, 분산 트랜잭션을 SQL로 처리하는 데모를 정리했다.
핵심 내용 읽기 →
AI 에이전트가 결과로부터 학습하지 못하는 이유와 유틸리티 점수 해법
AI 에이전트 실패의 73%는 생성이 아니라 정적인 검색(retrieval)에서 비롯된다. 평가 신호를 검색에 반영하는 '유틸리티 점수'와 런타임 학습 개념을 소개한다.
핵심 내용 읽기 →
AI 에이전트 완전정리 — 챗봇과의 차이·4대 플랫폼·프롬프트 계약·메모리 파일
같은 모델이라도 챗봇과 에이전트는 다르다. 에이전트의 작동 원리(관찰·사고·행동 루프), Claude Code·Codex·오픈클로·안티그래비티 4대 플랫폼, 그리고 결과를 가르는 프롬프트 계약과 메모리 파일까지 정리했다.
핵심 내용 읽기 →