나는 Ebbinghaus forgetting curve를 사용해 AI 에이전트의 기억 소멸을 만들었다

Source: Dev.to

문제

대부분의 AI 메모리 시스템은 모든 사실을 영원히 동일하게 취급합니다.
예를 들어 Claude에게 React를 사용한다고 말했는데, 6주 뒤에 Vue로 전환했다고 하면 두 사실이 동일한 가중치로 메모리에 남아 있습니다. 시스템은 어느 것이 현재 상황인지 알 방법이 없으므로, 직접 오래된 정보를 삭제하거나 모델이 혼란스러워집니다.

솔루션 – YourMemory

YourMemory는 검색에 Ebbinghaus 망각 곡선을 적용하는 MCP 메모리 서버입니다. 기억은 중요도와 회상 빈도에 따라 시간이 지남에 따라 감소합니다. 자주 접근되는 기억은 강하게 유지되고, 한 번도 다시 찾아보지 않은 기억은 서서히 사라지며 자동으로 정리됩니다.

검색 점수

score = cosine_similarity × Ebbinghaus_strength
strength = importance × e^(−λ_eff × days) × (1 + recall_count × 0.2)

벤치마크

LoCoMo 데이터셋(스냅 리서치에서 제공, 10개의 다개월 대화 샘플에 걸친 200개의 QA 쌍)을 사용해 YourMemory와 Mem0을 비교했습니다.

구현

YourMemory는 세 가지 MCP 도구를 제공합니다:

• recall_memory
• store_memory
• update_memory

Claude의 settings.json에 다음과 같이 추가하면 세션 간 컨텍스트를 지속할 수 있습니다:

{
  "mcpServers": {
    "yourmemory": {
      "command": "yourmemory"
    }
  }
}

Claude는 recall → store → update 워크플로우를 모든 작업에 적용합니다. 자주 떠오르는 기억은 강화되고, 전혀 사용되지 않는 기억은 점차 사라집니다.

기술 스택

• PostgreSQL + pgvector (벡터 저장)
• Docker + Ollama (배포, 현재 수동 설정)

현재 상태 및 피드백 요청

• 초기 단계이며, 핵심 망각 모델은 견고합니다.
• 설정 과정에 아직 수동 단계가 필요합니다.

망각 파라미터에 대한 의견과 이 접근 방식이 대규모에서 얼마나 잘 작동하는지에 대한 피드백을 환영합니다.

링크

• GitHub repository:
• Full benchmark methodology: