# Memori: LLM 및 AI 에이전트를 위한 SQL 네이티브 메모리 계층

**URL:** <https://discuss.pytorch.kr/t/memori-llm-ai-sql/8922>\
**Category:** 읽을거리&정보공유\
**Tags:** agent-memory, sql-native, memori, memory-layer\
**Created:** [2월 5, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/memori-llm-ai-sql/8922 "2026-02-05T21:30:57Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

**Author:** ![9bow](https://discuss.pytorch.kr/user_avatar/discuss.pytorch.kr/9bow/32/16301_2.png) [@9bow](https://discuss.pytorch.kr/u/9bow)\
**Post date:** [2월 5, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/memori-llm-ai-sql/8922/1 "2026-02-05T21:30:57Z")

</div>

![image](https://discuss.pytorch.kr/uploads/default/original/2X/0/0ab3b9eab75305ac89725724c1f5ba401f27cf1e.jpeg)

## Memori 소개

**Memori** 는 대규모 언어 모델(LLM, Large Language Model), AI 에이전트, 그리고 복잡한 멀티 에이전트 시스템을 위한 **오픈소스 메모리 계층(Memory Layer)** 입니다. 인공지능 애플리케이션 개발에서 가장 큰 난제 중 하나는 상태 유지(Statefulness)입니다. LLM 자체는 기본적으로 상태를 저장하지 않는(Stateless) 속성을 가지고 있어, 대화가 길어지거나 세션이 종료되면 이전의 맥락을 모두 잊어버립니다. 이를 해결하기 위해 개발자들은 보통 전체 대화 로그를 프롬프트에 포함시키거나(비용 및 컨텍스트 윈도우 문제 발생), 단순한 벡터 데이터베이스(RAG)를 사용해 왔습니다.

Memori는 이러한 접근 방식을 넘어, 기업과 개발자가 이미 구축해 둔 **SQL 데이터베이스 인프라** 를 활용하여 **AI에게 장기 기억을 부여** 하는 솔루션입니다. 이를 **Memory Fabric** 이라 칭하며, 단순히 대화 내용을 저장하는 것을 넘어 사용자의 **선호(Preferences), 사실(Facts), 규칙(Rules), 관계(Relationships)** 등을 실시간으로 추출하고 구조화하여 저장합니다.

 ![image](https://discuss.pytorch.kr/uploads/default/original/2X/d/d2521f0de94e5c25536fc6acd432e4741c47e38e.png)

가장 큰 특징은 **SQL 네이티브(SQL Native)** 접근 방식과 **불가지론적(Agnostic)** 설계입니다. 특정 벡터 DB나 LLM 벤더에 종속되지 않고, PostgreSQL, MySQL, Oracle 등 기존 관계형 데이터베이스(RDBMS)를 그대로 메모리 저장소로 사용할 수 있습니다. 이를 통해 기업은 데이터 소유권을 완벽하게 통제하면서도, 토큰 비용을 획기적으로 절감하고 AI의 응답 품질을 높일 수 있습니다.

### Memori의 이전 버전(v2) 대비 v3의 변화

Memori는 최근 v3로 업데이트되면서 아키텍처와 성능 면에서 비약적인 발전을 이루었습니다. 단순한 업데이트가 아닌, 상용 수준의 AI 서비스에 필수적인 기능들이 대거 추가되었습니다.

1. **고급 증강(Advanced Augmentation) 및 제로 레이턴시(Zero Latency):** v2의 추출 에이전트 방식을 스레드 기반의 비동기 아키텍처로 완전히 재설계했습니다. 사용자가 질문을 던지고 답변을 받는 동안, Memori는 **백그라운드에서** 대화 내용을 분석하고 기억을 형성합니다. 덕분에 사용자는 메모리 처리를 기다릴 필요 없이 즉각적인 응답을 받을 수 있습니다.

2. **지식 그래프(Knowledge Graph)와 제3정규형(3NF):** 단순한 텍스트 저장이 아니라, 데이터베이스 설계의 정석인 제3정규형 스키마를 적용했습니다. 특히 의미론적 트리플(Semantic Triples, 주어-술어-목적어)을 저장하여 **지식 그래프** 를 자동으로 구축합니다. 이는 AI가 단편적인 정보뿐만 아니라 정보 간의 '관계'까지 이해하게 돕습니다.

3. **벡터 메모리 및 시맨틱 검색:** SQL 기반이지만 벡터화된 메모리와 인메모리(In-memory) 시맨틱 검색을 지원하여, 문맥상 가장 유사하고 중요한 정보를 정확하게 찾아냅니다.

4. **완벽한 호환성(Agnostic):** 주요 파운데이션 모델(OpenAI, Anthropic, Gemini, Grok, Bedrock 등)과 주요 데이터베이스(Postgres, MySQL, SQLite, CockroachDB 등)를 모두 지원하며, Agno나 LangChain 같은 최신 프레임워크와도 매끄럽게 연동됩니다.

## Memori의 주요 기능

### 3단계 메모리 계층 구조 (The Hierarchy of Memory)

Memori는 기억을 체계적으로 관리하기 위해 세 가지 핵심 개념을 도입했습니다. 개발자는 이 구조를 통해 AI가 **누구와(Who), 무엇을(What), 어떤 맥락(Context)** 에서 대화하는지 명확히 정의할 수 있습니다:

- **Entity (엔티티):** 기억의 주체입니다. 사용자(User), 장소, 사물 등이 될 수 있습니다. (예: `user_id: 12345`)

- **Process (프로세스):** 기억을 형성하는 주체인 AI 에이전트나 프로그램입니다. (예: `shopping_bot`, `coding_assistant`)

- **Session (세션):** 엔티티와 프로세스 간의 특정 상호작용 그룹입니다. 하나의 작업 단위나 대화 흐름을 묶어 관리합니다.

### 고급 증강 (Advanced Augmentation)의 작동 원리

Memori의 고급 증강(Advanced Augmentation) 기능은 대화가 오가는 동안 백그라운드에서 작동하며, 비정형 텍스트인 대화 내용을 다음과 같은 구조화된 데이터로 자동 분류하여 저장합니다.

- **Facts (사실):** 변하지 않는 정보 (예: "_사용자는 서울에 거주한다._")
- **Preferences (선호):** 사용자의 취향 (예: "_어두운 테마를 선호한다._", "_매운 음식을 못 먹는다._")
- **Rules (규칙):** AI가 따라야 할 지침 (예: "_항상 존댓말을 사용해라._")
- **Relationships (관계):** 엔티티 간의 연결 고리 (지식 그래프의 핵심)
- **Events (이벤트):** 특정 시점에 발생한 사건
- **Skills (기술):** 사용자가 보유한 기술이나 능력

이러한 정보는 다음 번 대화 때 **자동으로 프롬프트에 주입(Injection)** 되어, AI가 마치 오랜 친구처럼 사용자를 기억하고 맞춤형 대화를 하도록 만듭니다. 고급 증강 기능과 관련해서는 [관련 문서](https://github.com/MemoriLabs/Memori/blob/main/docs/advanced-augmentation.md)를 참고해주세요.

### 데이터 소유권과 보안 (Your Database, Our Memory Layer)

Memori는 " **데이터는 사용자의 DB에, 로직은 Memori에**"라는 철학을 따릅니다. 클라우드 기반 메모리 솔루션들이 데이터를 외부 서버에 저장해야 하는 것과 달리, Memori는 개발자가 지정한 데이터베이스(PostgreSQL, MySQL 등)에 테이블을 생성하고 데이터를 저장합니다.

- **RBAC (Role Based Access Control, 역할 기반 접근 제어):** 데이터베이스 자체의 권한 관리 시스템을 그대로 따릅니다. 기업의 보안 정책에 맞춰 읽기/쓰기 권한을 세밀하게 제어할 수 있습니다.

- **감사(Audit) 및 계보(Lineage):** AI가 왜 그런 답변을 했는지 역추적할 수 있습니다. 어떤 메모리가 인출되었고, 언제 생성되었는지에 대한 메타데이터를 제공하여 AI의 설명 가능성(Explainability)을 높입니다.

## Memori의 기술 스택 및 호환성

Memori는 플러그 앤 플레이(Plug & Play) 방식을 지향하여 기존 시스템에 최소한의 변경으로 통합될 수 있습니다.

### 지원하는 데이터베이스 (Datastores)

Python의 `DB API 2.0` 표준을 준수하는 거의 모든 드라이버를 지원합니다.

- **RDBMS:** PostgreSQL, MySQL, MariaDB, SQLite, Oracle, CockroachDB, OceanBase, Neon, Supabase

- **NoSQL:** MongoDB (일부 지원 및 예제 제공)

- **ORM:** Django ORM, SQLAlchemy와의 네이티브 통합 지원

### 지원 LLM (Large Language Models)

- **OpenAI:** Chat Completions & Responses API (동기/비동기, 스트리밍 지원)

- **Anthropic (Claude)**

- **Google Gemini**

- **xAI (Grok)**

- **AWS Bedrock**

- **Nebius AI Studio**

### 지원 프레임워크

- **LangChain:** 랭체인의 메모리 컴포넌트로 활용 가능

- **Agno:** 에이전트 프레임워크 [Agno](https://discuss.pytorch.kr/t/agno/7261)와 호환

## Memori 사용 예시

다음은 SQLite를 사용하여 OpenAI 기반의 챗봇에 기억 능력을 부여하는 전체 코드 예시입니다. `Memori` 클래스는 기존 `OpenAI` 클라이언트를 감싸는(Wrap) 형태로 동작하여 코드를 크게 수정할 필요가 없습니다:

```python
import os
import sqlite3
from memori import Memori
from openai import OpenAI

# 1. 데이터베이스 연결 함수 정의 (SQLite 사용 예시)
# 실제 운영 환경에서는 PostgreSQL 등의 커넥션 풀을 사용할 것을 권장합니다.
def get_sqlite_connection():
    return sqlite3.connect("memori.db")

# 2. OpenAI 클라이언트 생성
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# 3. Memori 초기화 및 LLM 등록
# conn에는 DB 커넥션 팩토리 함수를 전달합니다.
memori = Memori(conn=get_sqlite_connection).llm.register(client)

# 4. Attribution 설정 (중요)
# 현재 대화의 주체(Entity)와 처리 에이전트(Process)를 식별합니다.
# 이 ID들을 기준으로 메모리가 격리되고 관리됩니다.
memori.attribution(entity_id="user_unique_id_123", process_id="customer_support_bot")

# 5. 스토리지 빌드 (최초 1회 혹은 스키마 변경 시 실행)
# 필요한 테이블과 인덱스를 자동으로 생성합니다.
memori.config.storage.build()

# 6. 대화 실행
# 개발자는 평소처럼 client.chat.completions.create를 호출하지만,
# 내부적으로 Memori가 관련 기억을 검색해 프롬프트에 추가하고,
# 응답이 완료되면 새로운 정보를 백그라운드에서 추출하여 저장합니다.
response = client.chat.completions.create(
    model="gpt-4o", # 최신 모델 사용 권장
    messages=[
        {"role": "user", "content": "나는 유당불내증이 있어서 우유가 들어간 라떼는 못 마셔."}
    ]
)
print(f"AI 응답: {response.choices[0].message.content}")

# [참고] CLI나 짧은 스크립트에서는 백그라운드 작업이 끝나기 전에 프로세스가 종료될 수 있습니다.
# 이를 방지하기 위해 강제로 대기(wait)를 호출할 수 있습니다. (서버 환경에서는 불필요)
memori.augmentation.wait()

# --- 이후 다른 세션이나 대화에서 ---

# 사용자가 다시 질문을 했을 때, Memori는 위에서 저장한 '유당불내증' 정보를 기억합니다.
response_2 = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "user", "content": "나를 위해 커피 메뉴 하나 추천해줘."}
    ]
)
# 예상 응답: "우유가 들어가지 않은 아메리카노나, 두유로 변경한 소이 라떼는 어떠신가요?"
print(f"AI 응답 2: {response_2.choices[0].message.content}")

```

### Memori에 저장된 데이터 확인 방법

저장된 데이터는 표준 SQL 쿼리로 직접 확인할 수 있습니다.

```bash
# 저장된 대화 로그 확인
sqlite3 memori.db "select * from memori_conversation_message"

# 추출된 사실(Fact) 확인
sqlite3 memori.db "select * from memori_entity_fact"

# 구축된 지식 그래프 확인
sqlite3 memori.db "select * from memori_knowledge_graph"

```

이러한 기능들을 바탕으로, 다음과 같은 분야에 사용할 수 있습니다:

1. **초개인화된 이커머스 (E-commerce):** 고객의 구매 이력뿐만 아니라 "_붉은색 계열을 싫어함_", "_여름 휴가용 옷을 찾음_"과 같은 대화 속 뉘앙스를 기억하여, 재방문 시 완벽하게 개인화된 상품을 추천합니다.

2. **맥락을 이해하는 고객 지원 (Customer Support):** 상담원이 바뀌거나 시간이 지나도 고객의 이전 불만 사항이나 특이 사항(예: "_오전에만 통화 가능_")을 기억하여, 반복적인 질문 없이 효율적인 상담을 제공합니다.

3. **장기 실행 에이전트 (Long-running Agents):** 코딩 어시스턴트나 연구 보조 AI가 프로젝트의 전체 히스토리와 사용자의 코딩 스타일 규칙을 지속적으로 유지하며 작업을 수행합니다.

## 라이선스

Memori 프로젝트는 [Apache License 2.0](https://github.com/MemoriLabs/Memori/blob/main/LICENSE) 라이선스로 공개 및 배포됩니다. 개인 및 기업 사용자가 자유롭게 사용, 수정, 배포할 수 있습니다. 상업적 이용이 가능하며, 소스 코드 공개 의무가 없는 허용적인(Permissive) 라이선스입니다.

## 🏠 Memori 공식 홈페이지

> **[Memori – The memory fabric for enterprise AI](https://memorilabs.ai/)**
>
> Memori keeps context alive, helping your AI applications deliver smarter, faster answers without wasting tokens.

## 📚 Memori 공식 문서 사이트

> **[Memori – The memory fabric for enterprise AI](https://memorilabs.ai/docs)**
>
> Memori keeps context alive, helping your AI applications deliver smarter, faster answers without wasting tokens.

## :github: Memori 프로젝트 GitHub 저장소

> **[GitHub - MemoriLabs/Memori: SQL Native Memory Layer for LLMs, AI Agents &...](https://github.com/MemoriLabs/Memori)**
>
> SQL Native Memory Layer for LLMs, AI Agents & Multi-Agent Systems

## 더 읽어보기

- [AgentFS: AI 에이전트가 생성하는 파일, 상태, 도구 호출 기록 등을 관리하기 위한 파일 시스템 (feat. Turso)](https://discuss.pytorch.kr/t/agentfs-ai-feat-turso/8427)

- [OpenViking: AI 에이전트를 위한 '파일 시스템' 기반 맥락 데이터베이스 (Context Database)](https://discuss.pytorch.kr/t/openviking-ai-context-database/8898)

- [Graphiti: 시간의 흐름에 따라 변화하는 지식을 다루기 위한 지식 그래프 생성 도구](https://discuss.pytorch.kr/t/graphiti/5180)

- [OpenMemory: AI 시스템에 장기적이면서 의미 기반 기억을 제공하는 설명 가능한 기억 체계](https://discuss.pytorch.kr/t/openmemory-ai/8117)

- [[GN] Memary - 자동화 에이전트를 위한 장기(long-term) 메모리](https://discuss.pytorch.kr/t/gn-memary-long-term/4256)

- [Acontext: 에이전트의 문맥을 저장하고 학습하는 데이터 플랫폼](https://discuss.pytorch.kr/t/acontext/8326)

- [AgentPG: PostgreSQL을 AI 에이전트의 지능형 저장소로 활용하는 프로젝트 (w/ golang)](https://discuss.pytorch.kr/t/agentpg-postgresql-ai-w-golang/8377)

- [Eion: AI 에이전트용 공동 메모리 및 지식 그래프 저장소](https://discuss.pytorch.kr/t/eion-ai/7147)

- [Agentic RAG for Dummies: Agentic 기반 RAG 시스템을 이해하고 구축할 수 있도록 돕는 오픈소스 프로젝트 (feat. LangGraph)](https://discuss.pytorch.kr/t/agentic-rag-for-dummies-agentic-rag-feat-langgraph/8783)

- [RedCache-AI: LLM 및 에이전트를 위한 메모리🧠 프레임워크](https://discuss.pytorch.kr/t/redcache-ai-llm/5015)

- [Google, Context Engineering을 위한 세션(Session)과 메모리(Memory)의 개념 및 구현 전략에 대한 기술 백서 공개 [영문/PDF/72p]](https://discuss.pytorch.kr/t/google-context-engineering-session-memory-pdf-72p/8198)

- [LightMem: LLM 및 AI Agent를 위한 효율적인 경량 메모리 프레임워크에 대한 연구 및 라이브러리](https://discuss.pytorch.kr/t/lightmem-llm-ai-agent/8021)

- [Google이 공개한 생성형 AI 기반 Agents 개요 및 구현 가이드 [PDF/영문/42p]](https://discuss.pytorch.kr/t/google-ai-agents-pdf-42p/5788)

- [Agentic Design Patterns: 지능형 에이전트 시대를 위한 설계 패턴 가이드 [Google Docs/영문/424p]](https://discuss.pytorch.kr/t/agentic-design-patterns-google-docs-424p/7661)

- [추론, 계획 및 도구 사용을 위한 AI 에이전트 구조에 대한 서베이 논문](https://discuss.pytorch.kr/t/ai/4327)

- [SmolAgents, HuggingFace🤗가 공개한 LLM 중심의 Agent 기능 구현 라이브러리](https://discuss.pytorch.kr/t/smolagents-huggingface-llm-agent/5787)

* * *

_이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다._ 🤗

[:pytorch:파이토치 한국 사용자 모임🇰🇷](https://pytorch.kr/)이 정리한 이 글이 유용하셨나요? [회원으로 가입](https://discuss.pytorch.kr/signup)하시면 주요 글들을 이메일💌로 보내드립니다! (기본은 Weekly지만 [Daily로 변경도 가능](https://discuss.pytorch.kr/my/preferences/emails)합니다.)

🎁 아래↘쪽에 좋아요👍를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~ 🤩
