Elite Longterm Memory

• 세션 중간에 컨텍스트를 잃는 경우 — WAL(Write-Ahead Log) 프로토콜은 에이전트가 응답하기 전에 상태를 기록하도록 보장하므로, 컴팩션이나 크래시가 발생해도 중요한 내용이 삭제되지 않습니다.
• 장기 실행 또는 멀티 세션 프로젝트에서 작업하는 경우 — 엄선된 MEMORY.md와 일별 로그는 에이전트와 사람 모두에게 결정 사항에 대한 영구적이고 사람이 읽을 수 있는 기록을 제공합니다.
• 에이전트가 실수를 반복하거나 선호도를 잊어버리는 경우 — Mem0는 대화에서 사실을 자동으로 추출하고 중복을 제거하여, 원시 히스토리 대비 토큰 사용량을 ~80% 줄여줍니다.
• 서브 에이전트나 병렬 워크스트림을 실행하는 경우 — 레이어드 아키텍처를 통해 모든 것을 다시 설명하는 대신 git-notes와 시맨틱 검색을 활용해 구조화된 컨텍스트를 전달할 수 있습니다.

• 일회성 단일 세션 작업이 필요한 경우 — 5계층 전체 설정은 일회용 스크립트나 짧은 작업에는 정당화되지 않는 오버헤드를 추가합니다.
• OpenAI 호환 LLM 키를 사용하지 않는 경우 — 시맨틱 벡터 검색(LanceDB)과 Mem0 통합에는 OPENAI_API_KEY가 필요하며, 이 키 없이는 스킬이 최대 잠재력에 도달하지 못합니다.

상태는 에이전트가 응답하기 전에 SESSION-STATE.md에 기록되며, 응답 후에 기록되지 않습니다. 이를 통해 컨텍스트 압축, 충돌 또는 대화 중간 인터럽트 발생 시 컨텍스트 손실을 방지할 수 있으며, 이는 단순한 메모리 방식으로는 제공할 수 없는 보장입니다.

모든 기억은 로컬 LanceDB 벡터 스토어에 인덱싱됩니다. 자동 회상 기능은 각 응답에 가장 관련성 높은 이전 컨텍스트를 자동으로 삽입하며, 수동 memory_store / memory_recall 명령을 통해 카테고리 및 중요도 점수별로 쿼리하거나 필터링할 수 있습니다.

구조화된 결정 사항, 학습 내용, 브랜치 인식 컨텍스트가 git notes로 저장됩니다 — 조용하고, 버전 관리되며, JSON으로 내보낼 수 있습니다. 이 데이터는 레포지토리 히스토리와 함께 영구적으로 유지됩니다.

Mem0는 원시 대화 기록에서 사실, 선호도, 결정 사항을 자동으로 추출하고, 중복을 제거하며, 필요에 따라 관련 기억을 제공합니다. 이를 통해 전체 채팅 기록을 전달할 필요가 없어지며, 토큰 소비를 최대 80%까지 줄일 수 있습니다.

선택적으로 지식 베이스를 SuperMemory에 동기화하여 기기 간 액세스 및 저장된 컨텍스트의 자연어 쿼리를 사용할 수 있습니다. SUPERMEMORY_API_KEY가 필요합니다.

루트 경로의 MEMORY.md 파일과 memory/YYYY-MM-DD.md 형식의 날짜별 일일 로그를 통해, 에이전트와 개발자 모두 어떤 결정이 내려졌고, 무엇을 배웠으며, 무엇이 기억되었는지를 명확하고 탐색하기 쉬운 형태로 확인할 수 있습니다 — 불투명한 데이터베이스는 필요하지 않습니다.

프로젝트가 며칠 또는 몇 주에 걸쳐 발전함에 따라, 에이전트는 기술적 결정 사항(예: "바닐라 CSS가 아닌 Tailwind 사용")을 git-notes와 SESSION-STATE.md에 기록합니다. 새 세션이 시작될 때마다 이전 컨텍스트를 자동으로 읽어오기 때문에, 어떤 프레임워크를 사용하고 있는지 다시 묻는 일이 없습니다.

컨텍스트 창이 가득 차고 에이전트가 압축을 수행할 때, SESSION-STATE.md는 리셋 후에도 살아남는 핫 RAM 역할을 합니다. WAL 프로토콜은 마지막 교환에서 언급된 모든 내용이 압축이 실행되기 전에 이미 저장되도록 보장합니다.

git-notes와 LanceDB에 저장된 컨텍스트는 작업 시작 시 생성된 모든 서브 에이전트가 조회할 수 있으므로, 병렬 에이전트들이 수동으로 재브리핑하지 않아도 동일한 결정 사항과 선호도를 공유할 수 있습니다.

사용자 선호도, 반복 마감일, 수정된 실수는 Mem0에 의해 자동으로 추출되어 세션 간에 저장됩니다. 에이전트는 프롬프트를 늘리지 않고도 시간이 지남에 따라 사용자의 정확하고 중복 없는 모델을 구축합니다.