SuperLocalMemory v2.7: 당신의 AI가 당신을 학습합니다 — 지역 ML을 활용한 적응 학습

Source: Dev.to

우리가 해결한 문제

당신은 SuperLocalMemory를 3개월 동안 사용해 왔습니다. 여러 프로젝트에 걸쳐 수천 개의 메모를 저장했습니다—아키텍처 결정, 코딩 패턴, 배포 노트, 디버깅 발견 등. 시스템은 정상적으로 동작합니다. 영속성도, 도구 간 공유도 잘 이루어집니다.

하지만 검색 결과가 점점 시끄러워지고 있습니다.

*“데이터베이스 설정”*을 검색하면 50개의 결과가 나옵니다. 현재 프로젝트의 결과도 있고, 6주 전에 마무리한 프로젝트의 결과도 있으며, 한 시간만에 포기한 간단한 실험 결과도 섞여 있습니다. 시스템은 지금까지 이 결과들 중 어떤 것이 현재 상황에서 가장 중요한지 알 방법이 없었기 때문에 모두를 동등하게 취급합니다.

이것이 모든 메모리 시스템이 마주하는 확장성 문제입니다. 원시 저장 및 검색은 낮은 볼륨에서는 잘 작동합니다. 하지만 볼륨이 커지면 단순 검색을 넘어, 실제 작업 방식에 기반한 관련성을 이해하는 지능이 필요합니다.

SuperLocalMemory v2.7은 적응형 학습을 통해 이 문제를 해결합니다. 시스템은 사용자가 어떤 메모리를 사용하는지 관찰하고, 프로젝트 전반에 걸친 사용 패턴을 학습하여 검색 결과를 재정렬합니다. 가장 관련성 높은 콘텐츠가 먼저 표시됩니다. 모든 과정은 로컬에서 실행됩니다. 클라우드도, 텔레메트리도, 데이터를 머신 밖으로 보내는 일도 없습니다.

v2.7의 새로운 기능

• Three‑layer local learning architecture that builds a behavioral model of your workflows
• LightGBM‑powered adaptive re‑ranking that improves search relevance over time
• Separate learning.db database for behavioral data, fully isolated from your memories (memory.db)
• Three new MCP tools: memory_used, get_learned_patterns, correct_pattern
• 학습된 패턴을 검사하고 관리하기 위한 새로운 CLI 명령
• 첫날부터 ML 수준의 결과를 제공하는 합성 부트스트랩 — 콜드 스타트 문제 없음
• 한 번의 명령으로 데이터 내보내기 및 삭제가 가능한 완전한 GDPR 준수

학습 시스템 아키텍처

v2.7 학습 시스템은 세 개의 레이어로 구성되며, 각각은 아래 레이어를 기반으로 합니다.

1️⃣ 기술‑선호 레이어

모든 프로젝트와 프로필 전반에 걸쳐 기술 선호도를 추적합니다.

• 예시 신호:
  • JavaScript보다 TypeScript 선택
  • MySQL보다 PostgreSQL 선호
  • 클라이언트 컴포넌트보다 서버 컴포넌트 사용

이러한 선호도는 전이 가능합니다. 새 프로젝트를 시작하면 기술 친화도가 그대로 이어집니다. 시스템은 선택을 강제하지 않으며, 기존 선호도와 일치하는 메모의 관련성 가중치를 조정해 검색 결과에서 더 높은 순위에 올립니다.

2️⃣ 프로젝트‑컨텍스트 레이어

네 가지 신호를 통해 프로젝트 경계를 이해합니다:

1. 활성 디렉터리
2. 최근 메모 태그
3. 시간대 패턴
4. 명시적 프로필 선택

이는 *“API 인증”*에 대한 메모가 Node.js 백엔드 작업 시와 Python 데이터 파이프라인 작업 시 서로 다른 의미를 갖기 때문입니다. 프로젝트 컨텍스트를 통해 랭커는 매번 지정하지 않아도 관련 프로젝트의 메모를 우선순위에 두게 됩니다.

3️⃣ 순차‑패턴 레이어

작업 방식의 순차적 패턴을 발견합니다.

• CI 구성을 수정한 뒤 지속적으로 배포 노트를 떠올린다면
• 마이그레이션 파일을 작성하기 전에 항상 데이터베이스 스키마 문서를 확인한다면

시스템은 이러한 순서를 학습해 사용자가 방금 수행한 작업을 기반으로 다음에 필요할 것을 예측합니다. 이는 추측이 아닌 실제 기록된 행동에 기반한 패턴 인식입니다.

Adaptive Re‑Ranker (LightGBM)

세 레이어 위에 위치합니다. SuperLocalMemory의 기존 FTS5 + TF‑IDF 엔진에서 나온 원시 검색 결과를 받아, 학습 레이어가 파악한 모든 정보를 바탕으로 재정렬합니다.

• 첫날: 기존 메모에서 부트스트랩한 합성 학습 데이터를 활용한 규칙 기반 시스템.
• 실제 신호가 누적된 후: 전체 ML 모델로 부드럽게 전환됩니다.

시작 시 성능 저하를 겪지 않으며, 업그레이드 순간부터 결과가 개인화됩니다.

전환은 자동입니다

1. v2.7을 설치합니다.
2. 평소처럼 SuperLocalMemory를 계속 사용합니다.
3. 시스템이 백그라운드에서 학습합니다.

몇 일 후면 검색 결과가 현재 상황에 더 적합해지는 것을 확인할 수 있습니다.

보증

• 모든 행동 데이터는 귀하의 머신에 남아 있습니다 – 정책 결정이 아니라 아키텍처상의 보장입니다.

• 별도 데이터베이스: learning.db (행동 데이터)는 memory.db (기억)와 완전히 격리됩니다.

• 텔레메트리 제로: 사용 데이터, 분석 핑, 충돌 보고서, 혹은 어떠한 “전화‑홈” 기능도 없습니다.

• GDPR‑준비 완료 설계:

  # Export all behavioral data
  slm export-behavior --output behavior.json
  
  # Delete all behavioral data
  slm delete-behavior

  또는 learning.db를 삭제하면 흔적을 지우면서도 기억은 그대로 유지됩니다.

• 클라우드 의존성 없음: LightGBM은 로컬에서 학습합니다; 모델 파일은 데이터베이스 옆에 위치하며 버전 관리되고 휴대 가능합니다.

연구 기반

v2.7 학습 아키텍처는 공개된 연구를 기반으로 하며, 완전 로컬 시스템의 제약에 맞게 조정되었습니다:

여덟 개의 연구 논문이 설계에 반영되어, 개인 수준의 관련성을 달성하면서 모든 것을 로컬, 프라이버시 보호, 그리고 규정 준수 상태로 유지하는 아키텍처를 구현했습니다.

SuperLocalMemory v2.7 – 로컬, 제로‑커뮤니케이션 적응형 재정렬

새로운 기여

우리의 지식에 따르면, SuperLocalMemory v2.7은 개인 AI 메모리를 위해 완전 로컬, 제로‑커뮤니케이션, 적응형 재정렬을 구현한 최초의 시스템입니다. 이 분야의 기존 연구는 모델 학습 및 추론을 위해 클라우드 기반 인프라를 전제로 합니다.

핵심 명령

학습 데이터 보기 및 관리

# View your learned technology preferences
slm patterns list

# See what the system knows about your current project context
slm patterns context

# Export all behavioral data (GDPR export)
slm learning export

# Delete all behavioral data
slm learning reset

# Check learning system status
slm learning status

v2.7 업그레이드

소요 시간: 2분 미만

# Update to v2.7
npm update -g superlocalmemory

# Verify the version
superlocalmemory --version
# Expected: 2.7.x

# Check that the learning system initialized
slm learning status

업그레이드 후 처음 사용할 때 학습 시스템이 자동으로 활성화됩니다. 기존 memory.db와 함께 learning.db를 생성하고 즉시 신호 수집을 시작합니다—별도의 설정이 필요하지 않습니다.

선택적 의존성

• lightgbm
• scipy

npm 패키지를 사용할 경우 이들 의존성이 자동으로 설치됩니다. 소스에서 직접 설치한 경우 다음을 실행하세요:

pip install -r requirements-learning.txt

전체 마이그레이션 가이드(기존 사용자에 대한 변경 사항 및 업그레이드 확인 방법 포함)는 Upgrading to v2.7 위키 페이지를 참고하세요.

이전 호환성

• v2.7은 완전한 이전 호환성을 제공합니다.
• 기존 메모리, 지식 그래프, 패턴 및 프로필은 그대로 유지됩니다.
• 학습 시스템은 additive(추가) 방식이며, 검색 결과를 향상시키지만 저장된 데이터를 수정하지는 않습니다.
• 선택적 ML 의존성이 없을 경우, 시스템은 rule‑based ranking(규칙 기반 순위)으로 전환되며 핵심 기능에 대한 저하가 없습니다.

앞으로의 계획: v2.8

v2.8은 이미 계획 단계에 있습니다. 초점은 개별 학습에서 멀티‑에이전트 협업으로 이동하며, A2A (Agent‑to‑Agent) 프로토콜을 사용해 단일 메모리 레이어를 통해 여러 AI 에이전트가 컨텍스트를 공유할 수 있게 됩니다. 이것은 전체 AI 툴킷에 공유 뇌를 부여하는 것과 같습니다.

디자인이 구체화됨에 따라 더 자세한 내용이 공개될 예정입니다. 현재로서는 v2.7이 여러분의 개인 AI 메모리를 의미 있게 더 똑똑하게 만들어 줍니다. 설치하고 일주일 동안 사용해 보세요. 검색 관련성의 차이를 느낄 수 있을 것입니다.

당신의 AI가 당신을 학습하고 있습니다. 로컬에서. 개인적으로. 오늘부터 시작됩니다.