Dryft: AI 메모리가 파일 캐비닛이 아니라 생태계처럼 작동한다면?

Source: Dev.to

번역을 진행하려면 번역하고자 하는 전체 텍스트를 제공해 주세요. 현재는 링크만 포함되어 있어 번역할 내용이 없습니다. 텍스트를 복사해서 알려주시면 바로 한국어로 번역해 드리겠습니다.

개요

저는 서부 캐나다에서 지역 푸드 허브를 운영하는 채소 농부입니다. 저는 개발자는 아니지만 시스템이 어떻게 작동하고, 각 요소가 어떻게 상호작용하며, 그것이 제대로 작동하지 않을 때 어떤 일이 일어나는지에 대해 많은 시간을 생각합니다.

현재 AI 메모리의 문제

제가 계속해서 보는 패턴—AI 에이전트와 많은 기술 시스템 모두에서—은 격리입니다. 오늘날 메모리는 본질적으로 정적인 필드입니다:

• 파일에 기록한다.
• 유사한 텍스트를 검색한다.
• 컨텍스트 창이 가득 차면 압축한다.
• 중요한 내용이 사라진다.
• 오래된 결정이 현재 결정과 동일한 무게를 가진다.
• 아무것도 늙지 않고, 연결되지 않으며, 사라지지 않는다.

자연에서는 메모리가 다르게 작동합니다.

• 강화 – 중요한 것은 더 강해진다.
• 감쇠 – 중요하지 않은 것은 사라진다.
• 관계 결합 – 관련된 항목들이 서로 묶인다.
• 포식 – 시스템이 더 이상 유지할 수 없는 것을 제거한다.

이는 단순한 저장이 아니라 생태계입니다.

Dryft: 생태학적 AI 메모리 시스템

Dryft는 기억을 살아있는 개체군(무리)으로 간주하여 스스로 조절합니다.

에이전트에게 중요한 이유

작업과 생활을 관리하는 에이전트는 필연적으로 기억이 과부하됩니다:

• 일주일 전 프로젝트 마감일 문의, 다음 주 레시피, 그 다음 주 코드 아키텍처.
• 수백 개의 항목이 쌓이고, 사소한 사실(예: “계란을 얼마나 오래 끓여야 하는가”)이 중요한 아키텍처 결정과 같은 무게를 가집니다.

Dryft에서는 계란에 대한 기억이 점점 사라집니다, 왜냐하면 더 이상 참조되지 않기 때문이며, 아키텍처 결정은 반복적인 활성화를 통해 강하게 유지됩니다. 생태계가 무엇을 유지할지 결정하고, 사용자가 아닌 시스템이 선택합니다.

에이전트 메모리의 핵심 문제 (및 Dryft의 솔루션)

Dryft의 아키텍처

+-------------------+   +-------------------+
| Foundational Layer|   |   Grass Layer     |
| (permanent core) |   | (substrate for    |
|                   |   |  new general      |
|                   |   |  knowledge)       |
+-------------------+   +-------------------+

        |                       |
        v                       v

+-------------------+   +-------------------+
|   Main Herd       |   | Evaluation Herd   |
| (operational      |   | (opinion /        |
|  memories)        |   |  evaluative)      |
+-------------------+   +-------------------+

        |                       |
        v                       v

+-------------------+   +-------------------+
| Dormancy Staging  |   | Temporal Layer    |
| (incubator for    |   | (time‑aware       |
|  new signals)     |   |  reasoning)       |
+-------------------+   +-------------------+

• Foundational Layer – 영구적인 핵심 지식.
• Grass Layer – 새로운 기억을 공급하는 기질(분해 출력).
• Main Herd – 운영 기억(‘소’).
• Evaluation Herd – 평가·의견 기억을 위한 별도 무리(‘양’).
• Dormancy Staging – 새로운 신호가 무리에 합류하기 전의 인큐베이터.
• Temporal Layer – 시간 인식 추론 및 계보 추적을 제공.

충돌 감지 및 “인도적 파기”

• 시스템은 모순되는 기억을 식별합니다.
• 시스템은 대화 중에 충돌을 드러냅니다.
• 사용자는 제거를 확인할 수 있습니다 (“인도적 파기”).
• 잘못된 기억은 기질 가치가 0이므로 분해되지 않습니다.

Benchmarks & Results

Custom benchmark는 나의 사용 패턴을 반영하고; LOCOMO는 보다 일반적인 비교를 제공합니다.

Takeaway

Dryft는 생태학적 원리—적합도, 결합, 포식, 부패 및 분해—가 정적인, 끊임없이 성장하는 메모리 저장소를 자기 조절, 효율적, 상황 인식 시스템으로 전환할 수 있음을 보여줍니다. 무리(herd)가 무엇이 살아남고 무엇이 사라지는지를 스스로 결정하게 함으로써 우리는 다음을 얻습니다:

• 시간이 지남에 따라 검색 관련성이 향상됩니다.
• 수동적인 그래프 구축 없이 관계가 자연스럽게 형성됩니다.
• 오래되었거나 관련 없는 정보가 자동으로 제거됩니다.

에이전트를 사용해 업무와 생활을 관리하고 있다면, 시스템을 효율적이고, 관련성 있게, 살아 있게 유지하기 위해 Dryft와 같은 생태학적 메모리 모델을 고려해 보세요.

Overview

• Dryft는 emergent behavior와 ecological design principles를 시연하는 실험적 메모리 시스템입니다.
• 벤치마크 결과, Mem0 66.9 % 대비 OpenAI Memory 53 % 등 유사 시스템보다 우수한 성능을 보입니다.
• 주요 격차:
  • 시간‑추출 실패 (상대 날짜가 해결되지 않음).
  • 나중에 벤치마크에 나타나는 기억을 포식자‑제거하는 현상.

이러한 문제는 해결 가능합니다. 포식자‑제거 트레이드‑오프는 의도된 것으로, 실제 사용에서는 모든 질의를 동일하게 취급하는 벤치마크에서 점수를 잃더라도 오래된 기억을 정리하는 것이 더 바람직합니다.

Key Observations

• Emergent Behaviors – 명시적으로 코딩되지 않음:

  • 적합도가 0이 된 기억은 다시 관련성이 생기면 자발적으로 회복될 수 있습니다.
  • 기억은 결합을 통해 클러스터를 형성하며, 이는 내가 주제를 자연스럽게 생각하는 방식과 유사합니다.

• State of the Project –

  • 아직 프로덕션 수준은 아니지만, 아키텍처는 작동하고 벤치마크가 이를 검증합니다.
  • 이를 에이전트‑프레임워크 플러그인으로 확장하려면 내가 단독으로 감당하기엔 더 큰 개발 노력이 필요합니다.

• My Role – 나는 시스템 사고가이며, 개발자나 프로젝트 매니저는 아닙니다. 내가 제공하는 것:

  • 디자인 방법론으로, 일관된 결과를 도출합니다.
  • 복잡하고 자기 조직화되는 살아있는 시스템을 15년간 관찰한 경험.

• Ecological Framing – 이것은 장식이 아니라 모든 기능의 근원입니다. 아키텍처는 인구가 스스로 조절되는 방식을 관찰하면서 등장했으며, 기존 메모리 시스템을 역공학한 것이 아닙니다.

오픈소스 릴리스

Dryft를 MIT 라이선스 하에 공개합니다. 실제 애플리케이션에서 유용하게 쓰이길 원하기 때문입니다. AI 메모리는 모두에게 필수적이며, 현재 솔루션들은 “뇌인 척하는 파일 캐비닛”처럼 느껴집니다.

• 받아가서 실행하고, 개선하세요.
• 생태학적 접근을 확장하는 데 관심이 있다면, 계속 참여하고 싶습니다. 설계 방법론이 저의 주요 기여이며, 생물학적 직관은 README에 완전히 담을 수 없는 사고 방식입니다.

피드백(칭찬이든 비판이든) 모두 환영합니다. Dryft로 무언가를 만들면 크레딧을 남겨주시면 감사하겠지만, 제 주요 목표는 실제 현장에서 사용되는 모습을 보는 것입니다.

Repository

🔗 GitHub:

Core Files

라이선스

MIT License

코드에 대해 원하는 대로 자유롭게 하세요.