핵심 개념
MemX의 ACE(Adaptive Context Engine) 엔진은 4대 핵심 모듈로 구성되어 있으며, 각각 독립적으로 작동하면서 서로 협력해 지식의 완전한 생명주기 관리를 실현합니다.
4대 핵심 모듈
증류 → 중복 제거 → 감쇠 → 검색, 지식의 완전한 생명주기를 포괄합니다.
Reflector · 지식 증류
hybrid 모드 규칙 사전 선별 + LLM 정제, 5종 탐지 규칙, 전량 LLM 대비 호출 90%+ 절감.
Curator · 의미 중복 제거
코사인 유사도 3단계 중복 제거: ≥0.8 병합, 0.5~0.8 충돌 표시, 0.5 미만 독립 기록.
Decay · 시간 감쇠
Ebbinghaus 망각 곡선, 반감기 30일, 회상 강화 + 영구 기억 3계층 보호.
Generator · 하이브리드 검색
4계층 검색 L1~L4, 키워드 0.6 + 의미 0.4 융합, 다시 감쇠/최신성/스코프 가산.
ReflectorReflectorMemX의 지식 증류 엔진으로, 규칙 사전 선별 + LLM 정제를 통해 대화에서 고가치 지식을 자동으로 추출합니다.더 알아보기 → — 지식 증류 엔진
Reflector는 MemX의 가장 핵심적인 혁신입니다: 극도로 낮은 비용의 지능형 지식 추출. 기존 AI 기억 시스템은 매번 LLM에 의존해 대화에서 지식을 추출하며 2-5K tokens를 소비합니다. Reflector는 기본적으로 hybrid 모드를 사용합니다: 규칙 사전 선별 + 가치 있는 후보 항목에 대해서만 LLM 정제를 호출하여, 전량 LLM 대비 호출 비용을 90%+ 절감합니다.
세 가지 실행 모드
| 모드 | 설명 | LLM 비용 |
|---|---|---|
rules | 순수 규칙 엔진, 전적으로 패턴 매칭 기반 | LLM 호출 없음 |
hybrid（기본） | 규칙 사전 선별 + LLM 정제, 평균 점수 산출 | 후보 항목에만 호출, 90%+ 절감 |
llm | 전적으로 LLM에 의존해 지식 추출 | 매번 2-5K tokens |
hybrid 워크플로: 원본 대화 → PatternDetector(규칙 탐지) → 후보 지식 항목 → LLM 평가+증류(후보 항목만) → 규칙 점수와 LLM 점수의 평균값 산출 → KnowledgeScorer(점수 분류) → PrivacySanitizer(프라이버시 비식별화) → BulletDistiller(압축 정제).
기본 하이브리드 모드 + 자동 다운그레이드
LLM을 사용할 수 없을 때 자동으로 순수 규칙 모드로 전환하여, 호출 없이 비용 제로로 동작합니다.
다섯 가지 탐지 규칙
| 규칙 | 탐지 로직 | 신뢰도 | 대표 시나리오 |
|---|---|---|---|
| ErrorFixRule | 「오류 → 해결책」 구조 식별 | 0.8 | "TypeError: ... → 알고 보니 타입 단언을 추가해야 했음" |
| RetrySuccessRule | 여러 번 시도 후의 성공 경로 탐지 | 0.7 | "A, B 다 안 됐고, 마지막에 C 방안으로 해결" |
| ConfigChangeRule | 설정/환경 변수 수정 매칭 | 0.6 | "MAX_POOL_SIZE를 10에서 50으로 변경" |
| NewToolRule | 처음 사용한 도구/라이브러리 식별 | 0.65 | "pnpm을 처음 써봤는데 npm보다 훨씬 빠름" |
| RepetitiveOpRule | 반복 작업 집계(≥3회 시 트리거) | 0.5+ | "배포할 때마다 캐시를 수동으로 정리해야 함" |
지식 분류 체계
각 지식은 자동으로 Section(주제)과 KnowledgeType(유형)의 두 차원으로 분류됩니다:
- 8종 Section:
COMMANDS·DEBUGGING·ARCHITECTURE·WORKFLOW·TOOLS·PATTERNS·PREFERENCES·GENERAL - 5종 KnowledgeType:
METHOD(방법론) ·TRICK(기법) ·PITFALL(함정) ·PREFERENCE(선호) ·KNOWLEDGE(사실)
Instructivity Score
각 지식은 0-100의 교육적 가치 점수를 받으며, 패턴 매칭 신뢰도 + 구체성/실행 가능성 + 명확한 인과관계 포함 여부를 종합적으로 계산합니다. min_score(기본 30) 미만인 후보 항목은 폐기됩니다.
CuratorCuratorMemX의 의미 기반 중복 제거 엔진으로, 매 쓰기 시 코사인 유사도를 통해 중복 지식을 자동 병합하고 모순을 탐지합니다.더 알아보기 → — 의미 중복 제거 엔진
Curator는 매 기록 시 중복과 모순을 자동으로 처리합니다.
3단계 중복 제거 전략
신규 지식 기록 → 기존 지식과의 코사인 유사도 계산: ≥ 0.8 자동 병합(keep_best 또는 merge_content); 0.5~0.8 잠재적 충돌로 표시하고 확인 대기; < 0.5 독립 지식으로 간주해 정상 기록.
병합 전략: keep_best(기본, instructivity_score가 더 높은 버전 유지) / merge_content(두 항목의 내용을 병합하여 더 완전한 버전 생성).
충돌 탐지
모순되는 기억을 능동적으로 스캔합니다(예: 유사도 0.72이지만 결론이 상반됨 — "Redis 연결 풀은 10이면 충분" vs "최소 50은 되어야 안정적", 베스트 프랙티스를 확인하고 구버전 삭제 권장). CLI로 언제든 탐지: memx conflicts.
DecayDecay메모리 감쇠로, 인간의 망각 곡선을 모사합니다. 검색되지 않는 지식은 점차 가중치가 낮아지고, 자주 검색되는 지식은 점점 더 견고해집니다.더 알아보기 → — 시간 감쇠 엔진
인간 기억의 자연스러운 망각 곡선을 모사하여, 지식 베이스가 항상 "신선함"을 유지하도록 보장합니다.
감쇠 공식
base_weight = 2^(-age_days / half_life)
boosted = base_weight × (1 + boost_factor × recall_count)
final = clamp(boosted, 0.0, 1.0)핵심 파라미터:
| 파라미터 | 기본값 | 설명 |
|---|---|---|
half_life | 30일 | 가중치가 50%까지 감쇠하는 데 필요한 일수 |
boost_factor | 0.1 | 회상 1회당 가중치 가산 계수 |
수치 예시(half_life=30, boost_factor=0.1):
| 시나리오 | age_days | recall_count | base_weight | final |
|---|---|---|---|---|
| 방금 기록 | 0 | 0 | 1.0 | 1.0(보호 기간) |
| 30일 미사용 | 30 | 0 | 0.5 | 0.5 |
| 60일 미사용 | 60 | 0 | 0.25 | 0.25 |
| 30일, 5회 검색됨 | 30 | 5 | 0.5 | 0.75 |
| 90일, 15회 검색됨 | 90 | 15 | 0.125 | 1.0(recall>=15 시 영구 기억 트리거, 공식 건너뜀) |
3계층 보호 메커니즘
3계층 보호
recall_count ≥ 15→ 영구 기억(weight 1.0 고정)age ≤ 7일→ 보호 기간(weight 1.0 고정)weight < 0.02→ 아카이브 후보(정리 가능)
직관: 막 배운 것(7일 이내)은 또렷이 기억하고; 자주 회상하는 것은 점점 단단해지며; 15회 이상 사용하면 "근육 기억"이 되고; 오래 쓰지 않으면 점차 잊힙니다.
검색 시의 감쇠 영향
감쇠 가중치는 검색 정렬의 최종 점수에 직접 관여합니다:
Final Score = Blended Search Score × DecayWeight × RecencyBoost × ScopeBoostRecencyBoost: 7일 이내에 생성된 지식은 1.2x 가산을 받습니다ScopeBoost: 현재 스코프와 매칭되는 지식은 1.3x 가산을 받습니다
Generator — 하이브리드 검색 엔진
순수 벡터 검색Vector Search벡터 검색으로, 쿼리 텍스트와 저장된 텍스트의 임베딩 벡터 거리를 계산하여 의미적으로 가장 관련성 높은 결과를 찾습니다.의 한계를 돌파하여, 4계층 검색으로 정확 매칭부터 의미 이해까지의 완전한 스펙트럼을 포괄합니다.
4계층 검색 아키텍처
| 계층 | 엔진 | 매칭 방식 | 강점 시나리오 |
|---|---|---|---|
| L1 | ExactMatcher | 정확 단어 매칭 | "pytest -v", API 이름 |
| L2 | FuzzyMatcher | 퍼지 Token 매칭 | 철자 변형, 형태 변화 |
| L3 | MetadataMatcher | tools / entities / tags의 Jaccard 유사도 | "Redis에 관한 지식" |
| L4 | VectorSearcher | 벡터 임베딩 의미 검색 | "테스트 성능을 어떻게 높일까" |
점수 융합 공식
NormKeyword = (L1 + L2 + L3) / 35.0 # 归一化到 [0, 1]
Blended = NormKeyword × 0.6 + Semantic × 0.4
Final = Blended × DecayWeight × RecencyBoost × ScopeBoost키워드 검색 가중치(0.6)가 의미 검색(0.4)보다 높아, 정확 매칭 결과가 우선 노출되도록 보장합니다.
수치 예시: 쿼리 "pytest timeout"에 대한 특정 기억의 점수 계산:
- L1(정확)=8, L2(퍼지)=5, L3(메타데이터)=3 → NormKeyword = (8+5+3)/35 = 0.457
- L4(의미) = 0.72
- Blended = 0.457×0.6 + 0.72×0.4 = 0.562
- DecayWeight=0.89, RecencyBoost=1.0, ScopeBoost=1.3
- Final = 0.562 × 0.89 × 1.0 × 1.3 = 0.650
우아한 다운그레이드
L4 벡터 검색을 사용할 수 없을 때(임베딩 모델 로드 실패) 자동으로 순수 키워드 모드(keyword_weight=1.0, semantic_weight=0.0)로 다운그레이드합니다. 어떤 단일 검색 계층 장애도 서비스를 중단시키지 않습니다.
Token 예산 관리
검색 결과의 이중 제약: max_results(최대 반환 건수, 기본 5) + token_budget(최대 Token 예산, 기본 2000).
CJK 인식(중국어가 잘못된 Token 추정으로 과도하게 잘리지 않도록 보장): CJK 문자 1.5 문자/token; 라틴 문자 4.0 문자/token.
계층 스코프
지식은 계층으로 조직되어 접근 제어를 실현합니다: global(모든 프로젝트에서 가시) → project:my-backend(해당 프로젝트만) → workspace:feat-auth(해당 워크스페이스만). 현재 scope와 매칭되는 지식은 1.3x 점수 가산을 받습니다; 상위 scope는 하위에 가시(global은 모든 프로젝트에), 하위는 상위에 비가시입니다.