작성자: 캘빈
AI 에이전트의 메모리는 최근 들어 핵심 인프라 이슈로 급부상한 영역이다. 에이전트가 단발성 프롬프트 응답을 넘어서 지속적으로 작동하는 시스템이 되려면, 대화 이력, 학습된 기술, 추론 과정, 워크플로우 결과물 같은 것들을 세션을 넘어서 기억해야 하기 때문이다.
현재 개발자들이 이 문제를 푸는 방식은 대부분 기존 인프라의 조합이다. Redis로 세션 상태를, S3로 파일을, 벡터 데이터베이스로 임베딩을 저장하는 식이다. 각각은 부분적으로 동작하지만, 에이전트 메모리를 시스템 프리미티브로 다루도록 설계된 것은 아니다. 결과적으로 메모리가 여러 시스템에 산재하게 되고, 검증이 어렵고, 시간이 지나면서 일관성을 유지하기가 힘들어진다.
이 문제를 전면에 내세운 전용 솔루션도 이미 존재한다. Mem0는 $24M을 투자받고 AWS 에이전트 SDK의 공식 메모리 프로바이더로 선정되었으며, 벡터 임베딩과 그래프 데이터베이스를 결합한 듀얼 스토리지 아키텍처를 제공한다. Letta(구 MemGPT)는 LLM 자체가 메모리를 관리하는 OS 비유 모델을 택했다. 이 밖에도 LangMem, Zep, MemMachine 등 다양한 솔루션이 경쟁 중이다.
그런데 이들 솔루션들에는 공통된 전제가 하나 있다. 메모리 데이터가 결국 중앙화된 인프라(AWS, GCP, 자체 서버)에 저장된다는 점이다. 에이전트가 자율적으로 의사결정을 하고 실제 자산을 움직이는 시나리오에서, 그 메모리의 출처와 무결성을 제3자에게 의존해야 한다는 것은 구조적인 한계가 될 수 있다.
MemWal은 이 지점에서 출발해, 에이전트의 메모리를 월루스의 탈중앙 스토리지에 저장하고, 수이 온체인에 소유권과 접근 제어를 관리하는 구조를 설계했다.
FP Website | Telegram (EN / KR) | X (EN / KR)