7장: 메모리 프레임워크 비교와 선택

from mem0 import Memory
 
# 설정: 임베딩 모델과 LLM 지정
config = {
    "llm": {
        "provider": "anthropic",
        "config": {"model": "claude-sonnet-4-20250514"},
    },
    "embedder": {
        "provider": "openai",
        "config": {"model": "text-embedding-3-small"},
    },
    "vector_store": {
        "provider": "qdrant",
        "config": {"host": "localhost", "port": 6333},
    },
}
 
memory = Memory.from_config(config)
 
# 대화에서 자동으로 메모리 추출
result = memory.add(
    messages=[
        {"role": "user", "content": "저는 코드 리뷰할 때 타입 안전성을 가장 중시합니다"},
        {"role": "assistant", "content": "타입 안전성을 중시하시는군요."},
    ],
    user_id="user_123",
)
# 자동 추출: "사용자는 코드 리뷰에서 타입 안전성을 최우선시한다"
 
# 메모리 검색
memories = memory.search(
    "코드 리뷰 기준이 뭐였죠?",
    user_id="user_123",
)
 
# 메모리 업데이트: 충돌 시 자동 갱신
memory.add(
    messages=[
        {"role": "user", "content": "이제는 성능도 타입만큼 중요하게 봅니다"},
    ],
    user_id="user_123",
)
# 기존 메모리 갱신: "사용자는 코드 리뷰에서 타입 안전성과 성능을 동등하게 중시한다"

from zep_cloud.client import Zep
 
client = Zep(api_key="your-api-key")
 
# 사용자 세션 생성
session = client.memory.add_session(
    session_id="session_001",
    user_id="user_123",
)
 
# 대화 추가 - 자동으로 지식 그래프 갱신
client.memory.add(
    session_id="session_001",
    messages=[
        {
            "role_type": "user",
            "content": "김철수가 리더인 A 프로젝트에 참여하게 되었습니다.",
        },
        {
            "role_type": "assistant",
            "content": "A 프로젝트에 합류하시는군요.",
        },
    ],
)
 
# 그래프 검색: 관계 기반 쿼리
results = client.graph.search(
    user_id="user_123",
    query="A 프로젝트의 리더는 누구인가?",
)
# -> 김철수 (source: 에피소드 graph traversal)
 
# 시간적 검색: 특정 시점의 상태
memory = client.memory.get(
    session_id="session_001",
    min_rating=0.5, # 관련성 임계값
)

from letta import create_client
 
client = create_client()
 
# 에이전트 생성 시 Core Memory 구조 정의
agent = client.create_agent(
    name="assistant",
    memory_blocks=[
        # Core Memory: 항상 컨텍스트에 포함
        {
            "label": "human",
            "value": "이름: 미지정\n선호 언어: 미지정\n전문 분야: 미지정",
            "limit": 2000,  # 토큰 제한
        },
        {
            "label": "persona",
            "value": "나는 기술 어시스턴트입니다. 정확하고 도움이 되는 답변을 합니다.",
            "limit": 2000,
        },
    ],
)
 
# 대화 시 에이전트가 자율적으로 메모리 관리
response = client.send_message(
    agent_id=agent.id,
    message="저는 김영수이고 TypeScript 전문가입니다",
)
 
# 에이전트가 내부적으로 수행하는 동작:
# 1. core_memory_replace("human", "이름: 미지정", "이름: 김영수")
# 2. core_memory_replace("human", "선호 언어: 미지정", "선호 언어: TypeScript")
# 3. core_memory_replace("human", "전문 분야: 미지정", "전문 분야: TypeScript")

from langgraph.graph import StateGraph
from langgraph.checkpoint.memory import MemorySaver
from langgraph.store.memory import InMemoryStore
 
# 상태 기반 체크포인팅
checkpointer = MemorySaver()
 
# 장기 메모리 저장소
store = InMemoryStore()
 
# 그래프에 메모리 통합
graph = StateGraph(AgentState)
graph.add_node("agent", agent_node)
graph.add_node("memory", memory_node)
 
app = graph.compile(
    checkpointer=checkpointer,
    store=store,
)
 
# 대화 시 자동으로 상태 저장/복원
result = app.invoke(
    {"messages": [{"role": "user", "content": "안녕하세요"}]},
    config={
        "configurable": {
            "thread_id": "session_001",
            "user_id": "user_123",
        }
    },
)

조합 1: Mem0 + Zep
- Mem0: 사용자 선호도와 빠른 개인화
- Zep: 도메인 지식 그래프와 관계 추론
- 적합: 고객 서비스, 기술 지원 에이전트
 
조합 2: Letta + LangGraph
- Letta: 자율적 메모리 관리
- LangGraph: 워크플로우 오케스트레이션
- 적합: 복잡한 멀티스텝 에이전트
 
조합 3: Mem0 + LangGraph
- Mem0: 간편한 메모리 저장/검색
- LangGraph: 상태 관리와 체크포인팅
- 적합: 빠른 MVP, 점진적 확장