Aegis Memory: MCP 지원 에이전트를 위한 안전한 지속 메모리
Quantify Labs의 Aegis Memory는 AI 에이전트에게 세션 간 지속적이고 검증 가능한 컨텍스트를 제공하는 MCP용 오픈 소스 메모리 인프라입니다. 이 도구는 장기 기억을 저장하고 벡터 임베딩에 대한 의미 기반 검색을 노출하여 에이전트가 키워드가 아닌 의미에 따라 관련된 과거 상호작용을 검색할 수 있도록 합니다. 또한 범위가 제한된 접근 제어와 암호화된 무결성 검사를 시행하여 안전한 다중 에이전트 및 사용자 데이터 분리를 가능하게 합니다. 다중 에이전트 시스템을 구축하는 개발자와 연구자는 개인화된 에이전트 행동 및 감사 가능성을 지원하기 위해 표준화되고 보안 중심의 메모리 계층을 얻습니다.
실제로 어떤 작업에 사용할 수 있습니까?
aegis-memory는 에이전트를 위한 지속적인 컨텍스트 저장소로 기능합니다, 세션 재시작 및 컨텍스트 창 재설정 간 정보를 유지하기 위해 설계되었습니다. 이는 벡터 임베딩을 사용한 의미 기반 검색을 지원하여 에이전트가 정확한 용어가 아닌 의미에 따라 이전 상호작용을 검색할 수 있도록 합니다. 일반적인 작업 패턴은 다음과 같습니다:
- LLM을 위한 컨텍스트 프롬프트 증강
- 다중 턴 에이전트 조정
- ACE 기반 자기 반성 및 투표
이는 MCP 네이티브로, MCP 지원 클라이언트와의 연결을 허용합니다.
검색된 기억은 얼마나 정확하고 검증 가능합니까?
저장된 컨텍스트에는 무결성 제어가 포함됩니다 암호 해시 및 신뢰 기반 업데이트 규칙을 통해, 이는 항목이 어떻게 변경되는지를 기록하고 일관성을 유지합니다. 의미 검색은 가장 가까운 이웃 임베딩 일치를 반환하므로 검색의 관련성은 임베딩 생성 및 인덱스 구성에 따라 달라집니다. 이러한 설계는 회상된 항목에 대한 검증 가능한 출처를 제공하지만, 회상 정확도는 배포 중 사용된 임베딩 품질 및 벡터 인덱스 선택에 따라 달라집니다.
어떤 입력 및 호스팅이 필요합니까?
서버는 MCP 엔드포인트를 노출하고 표준 인프라를 기대합니다. 구현은 Docker 및 PostgreSQL을 사용한 스택에서의 자가 호스팅을 위해 설계되었으며, 의미 저장을 위한 pgvector 확장을 포함합니다. 클라이언트는 연결을 위해 모델 컨텍스트 프로토콜을 사용해야 합니다. 따라서 배포에는 데이터베이스 마이그레이션, 벡터 인덱스 관리 및 생산 설정의 일환으로 일반적인 호스팅 책임이 포함됩니다.
개발자 및 연구 워크플로우에 실용적입니까?
이 도구는 범위가 지정된 접근 제어 및 적응형 메모리 동작이 필요한 다중 에이전트 시스템을 구축하는 엔지니어 및 연구자를 대상으로 합니다. 이는 CrewAI 및 LangChain과 같은 에이전트 프레임워크와 통합되며, 에이전트가 반성 및 투표를 수행할 수 있도록 ACE 패턴을 구현합니다. 채택은 신뢰 계층 및 거버넌스를 위한 개발자 참여를 가정하므로, 감사 가능성 및 에이전트 조정에 중점을 둔 팀은 이러한 워크플로우 요구와 일치한다고 느낍니다.
오픈, 리포지토리 주도 도구를 선호하는 팀에 가장 적합
이 프로젝트는 GitHub와 PyPI를 통해 배포되며, 개발자 커뮤니티에서 상용 메모리 서비스에 대한 생산 준비가 된 대안으로 잘 알려져 있습니다. 공개적으로 호스팅되고 커뮤니티 검증을 받은 도구를 선호하는 팀에게 이 위치는 합리적인 선택이 됩니다. 공급업체 관리 서비스를 요구하는 조직은 대안을 비교해야 하며, 프로젝트의 리포지토리 우선 접근 방식은 개발자 주도 통합 및 검토 프로세스, 그리고 커뮤니티 지원 기대와 일치합니다.
