기존 데이터베이스로는 AI 에이전트 구현에 한계가 있어, '자율 추론 시스템을 위한 PostgreSQL'을 개발 중입니다.
Standard databases are breaking my AI agents. So we’re building a "PostgreSQL for Autonomous Reasoning Systems."
핵심 요약
AI 에이전트의 상태 관리와 디버깅 문제를 해결하기 위해 PostgreSQL 기반의 전용 스토리지 계층을 개발하려는 시도입니다.
- 상태 관리 문제 — 기존 NoSQL이나 벡터 DB는 에이전트의 복잡한 추론 로직과 인과 관계를 추적하기 어려움
- 4대 핵심 요소 — 메모리, 계획(DAG), 행동, 결과라는 4가지 구조로 에이전트의 추론 과정을 체계화함
- PostgreSQL 활용 — JSONB, pgvector, 재귀 CTE를 사용하여 에이전트의 상태를 네이티브하게 구조화함
- 커뮤니티 피드백 — 프로덕션 환경에서의 상태 관리 방식과 에이전트 이력 분석 쿼리에 대한 의견을 구함
안녕하세요 여러분,
제 공동 창업자와 저는 LangGraph나 CrewAI 같은 프레임워크를 사용하여 멀티 에이전트 워크플로우와 복잡한 추론 루프를 구축해 왔습니다. 그러다 상태 관리와 디버깅이라는 거대한 벽에 부딪혔죠.
현재 다들 자율 에이전트의 실행 상태를 일반적인 NoSQL 데이터베이스, Redis, 또는 벡터 DB를 통한 평면 텍스트 파일에 저장하도록 강제하고 있습니다. 하지만 에이전트는 버튼을 클릭하는 인간이 아니라 동적인 논리 체인 위에서 작동합니다. 에이전트가 작업을 실패하거나 무한 루프에 빠졌을 때, 수천 줄의 터미널 로그를 뒤져서 이유를 찾는 것은 그야말로 악몽입니다.
벡터 DB는 텍스트의 유사성을 찾는 데는 훌륭하지만, 실행 로직, 상태, 인과 관계에 대해서는 완전히 눈이 멀어 있습니다.
우리는 PostgreSQL(JSONB, pgvector, 재귀 CTE 활용) 위에 네이티브하게 구축된, 매우 독자적인 오픈 소스 스토리지 계층을 만들고자 합니다. 일반적인 데이터베이스 대신 에이전트의 추론을 네 개의 연결된 기둥으로 구조화합니다.
- Memories: 장기적인 에피소드 사실과 맥락적 선호도.
- Plans: 목표 달성을 위한 단계를 나타내는 동적이고 계층적인 비순환 방향 그래프(DAG).
- Actions: 정확한 도구 실행, 환경 매개변수 및 페이로드.
- Outcomes: 계획 단계와 네이티브하게 연결된 행동의 인과적 결과(성공/실패).
커뮤니티에 드리는 질문:
- 현재 프로덕션 환경에서 에이전트 상태, 메모리, 도구 실패 추적을 어떻게 관리하고 계신가요? 저희만큼이나 복잡한가요?
- PostgreSQL 위에 추상화 계층을 두는 방식이 매력적인가요, 아니면 완전히 독립적인 데이터베이스 바이너리를 선호하시나요?
- 지금 당장 에이전트의 이력에 대해 실행하고 싶은 가장 큰 분석 쿼리는 무엇인가요?
다음 코드를 작성하기 전에 실제 프로덕션의 마찰을 해결할 수 있는 무언가를 만들고 싶습니다. 마음껏 비판해 주세요, 모든 피드백을 환영합니다!
