AI 에이전트의 가장 어려운 문제 중 하나인 '메모리' 해결에 관심 있는 개발자를 찾습니다.

다들 RAG니 벡터 데이터베이스니 떠들어대는데, 몇 달 동안 메모리 시스템 만들고 벤치마크 돌려보니까 깨달은 게 하나 있음. 리트리벌(retrieval)은 문제의 아주 일부분일 뿐임.

우리가 지금 파고 있는 핵심 질문들은 이런 거임:

• 도대체 뭐가 '메모리'가 될 자격이 있는가?
• 로그랑 메모리는 어떻게 구분할 건가?
• 메모리가 도움은커녕 오히려 negative transfer를 일으키는 건 어떻게 잡아낼 건가?
• 메모리는 시간 순으로 지워야 하나, 조회 빈도순으로 지워야 하나, 아니면 실제 효용성에 따라 지워야 하나?
• 메모리가 프롬프트 길이만 늘린 건지, 아니면 진짜 에이전트 성능을 올린 건지 어떻게 측정할 건가?
• 절차적, 의미적, 일화적 메모리는 각각 다르게 저장하고 불러와야 하나?
• MCP 서버, LangChain, CrewAI, 그리고 다른 에이전트 프레임워크들 사이에서 메모리는 어떻게 작동해야 하나?

우리는 이런 문제들을 해결하려고 오픈소스 인프라 CogniCore를 만들고 있음.

현재 진행 상황:

• ~95% on LongMemEval
• 7,000+ 다운로드
• 525+ 자동화 테스트
• 다양한 메모리 백엔드 지원 (TF-IDF, SQLite, Embedding, Graph)
• MCP 연동
• LangChain 연동
• CrewAI 연동
• OpenAI Agents 지원
• 메모리 벤치마킹 및 평가 프레임워크
• pip install cognicore-env

우리는 "또 다른 에이전트 프레임워크"를 만들려는 게 아님. 에이전트가 더 효율적으로 기억하고, 배우고, 평가받을 수 있게 돕는 인프라를 만드는 중임.

이런 분야에 관심 있는 사람들을 찾고 있음:

• 메모리 아키텍처
• 리트리벌 시스템
• Long-context 평가
• 벤치마크 설계
• 에이전트 오케스트레이션
• MCP
• LangChain
• CrewAI
• 지식 표현
• 시스템 엔지니어링
• 오픈소스 AI 인프라

본인만의 메모리 시스템을 만들어봤든, RAG를 파봤든, long-context 모델로 실험을 해봤든, 아니면 에이전트 메모리가 어떻게 작동해야 하는지에 대해 확실한 주관이 있든 상관없음. 같이 하면 좋겠음.

GitHub:
https://github.com/cognicore-dev/cognicore-my-openenv

Discord:
https://discord.gg/9Mm7tSRrE

특히 아키텍처 토론하는 거 좋아하고, 새로운 아이디어 실험해보고, 오픈 소스로 같이 빌드업하는 거 즐기는 기여자들을 환영함.