CELL AI DEVLOG

"어떤 메모리 프레임워크를 써야 하나?" 2026년 기준 선택지는 4개 이상으로 분화됐고, 각각 근본적으로 다른 아키텍처를 취한다. 잘못 고르면 3개월 후 마이그레이션이다. Mem0·Zep(Graphiti)·Letta(MemGPT)·LangMem — 어떤 게 내 에이전트에 맞는지 구조·벤치마크·비용·선택 기준을 전부 정리했다.핵심 요약→ Mem0 — 오픈소스, 48,000+ GitHub Star, 개인화 에이전트·챗봇 메모리 1순위, 가장 빠른 프로덕션 진입→ Zep/Graphiti — 시간적 추론 특화, 변경되는 사실을 추적해야 할 때 LongMemEval 기준 Mem0보다 15점 높음→ Letta(MemGPT) — 장기 자율 에이전트 전용, 수일~수주 실행 에이전트에 유일한 선택지, 자체 에이전트 런..

1편에서 Mem0 기본 add/search API를 익혔다면, 이번 편은 진짜 프로덕션 문제다. "2개월째 운영하는데 토큰 비용이 갑자기 10배가 됐다", "오래된 직장 정보를 최신 정보인 양 꺼낸다", "LangGraph 에이전트에 Mem0를 붙이려니 코드가 엉망이다." 프로덕션에서 처음으로 직면하는 문제들을 아키텍처 레벨에서 전부 해결한다.핵심 요약→ 프로덕션 시스템이 나이브한 풀 컨텍스트 또는 나이브 RAG를 쓰면 토큰 비용이 필요한 것보다 3~5배 높고, 수 주 운영 후 재현율이 측정 가능하게 저하됨 — 대부분 1개월 후 발견하는 문제→ 핵심 인사이트: 대부분의 시스템은 검색 시에 너무 많은 작업을 하고 저장 시에 충분한 작업을 안 함 — 메모리 조직·관련성·압축 작업은 생성 시점에 한 번 해야지..

"어제 채식주의자라고 했는데 오늘 스테이크 레시피를 추천한다." LLM의 고질적인 무상태성(Statelessness) 문제다. 세션이 끝나면 모든 컨텍스트가 사라진다. 사용자 입장에서는 매번 처음부터 설명해야 하는 AI는 쓸모가 없다. Mem0는 이 문제를 전용 메모리 레이어로 해결한다. 개념부터 실전 코드까지 1편에서 완전히 정리한다.핵심 요약→ Mem0("mem-zero")는 AI 에이전트와 LLM에 지능형 메모리 레이어를 추가하는 오픈소스 프로젝트 — 55,700+ GitHub Star, 1,400만+ 다운로드(2026년 5월 기준)→ AI 에이전트는 3가지 메모리 레벨이 필요 — 모든 대화에 걸쳐 지속되는 사용자 레벨 선호도, 현재 인터랙션의 세션 레벨 컨텍스트, 자율 워크플로우의 에이전트 레벨 ..