agentmemory: AI 코딩 에이전트가 코드베이스를 영구히 기억하게 하는 방법

새로운 세션을 열 때마다 겪는 답답한 경험, 한 번도 못 느껴보신 적 있으십니까? 터미널을 켜고 AI 코딩 에이전트를 시작합니다. 그리고 이제 막 시작했는데, 어제까지 함께 작업했던 프로젝트 구조를 물어보고, 내가 채택하기로決した 기술 스택을 다시 설명해야 하며, 금방 고쳤던 버그가 또다시 재생되는 원인을 알려줘야 합니다. 마치 매일 아침 첫 출근 시 모든 것을 처음부터 가르쳐야 하는 groundhog-day의 악몽과 같습니다. 이 문제는 단순히 시간을 낭비하는 것을 넘어, 매년 수백만 개의 토큰을 불필요하게 소모하여 실제 개발 비용을 감당하기 어렵게 만듭니다.

이 문제의 해답이 바로 agentmemory입니다. GitHub에서 3,700개 이상의 스타를 기록하며 급성장 중인 이 오픈소스 프로젝트는 AI 코딩 에이전트에 세션 간 지속적이고 자동적인 메모리 기능을 제공합니다. 산업용 벤치마크에서 95.2%의 높은 회수 정확도를 달성했고, 토큰 사용량을 무려 **92%**나 줄였습니다. rohitg00이 개발한 이 도구는 TypeScript로 작성되었으며, Apache 2.0 라이선스로 자유롭게 사용할 수 있습니다. v0.9.5 버전이 2026년 5월 9일에 릴리스된 최신 안정판입니다.

프로젝트 소개: 왜 지금 agentmemory인가

현재 AI 코딩 에이전트의 근본적 한계

현재 시점의 주요 AI 코딩 에이전트들을 살펴보면 놀라운 발전 속도를 확인할 수 있습니다. Claude Code, Cursor, Gemini CLI, Codex CLI 등 각 에이전트는 단일 세션 내에서 코드 생성, 리팩토링, 디버깅을 뛰어난 수준으로 수행합니다. 그러나 이들 모두에게 공통적으로 적용되는 치명적인 약점이 하나 존재합니다. 바로 메모리 단절입니다.

에이전트는 세션이 종료되거나 대화가 재설정되면 프로젝트에 대한 모든 맥락을 완전히 잊어버립니다. 이는 단순한 편의성의 문제가 아닙니다. 다음과 같은 심각한 부작용을 초래합니다.

첫째, 시간 낭비입니다. 매번 새 세션마다 프로젝트 아키텍처, 커스텀 규칙, 과거 결정 사항을 처음부터 다시 설명하는 데 5~10분의 시간이 소요됩니다. 하루 여러 번 세션을 사용하는 개발자는 주당 수 시간, 연간으로는 수십 시간을 그냥 쏟아붓는 셈입니다.

둘째, 토큰 비용 폭탄입니다. 지난 해 3~4회 정도의 세션을 가정하면, 전체 컨텍스트를 붙여넣는 방식은 연간 1,950만 개 토큰을 초과합니다. 이는 대부분의 컨텍스트 창 한계를 넘어서며, API 비용을 계산하면 월 $500에 달할 수도 있습니다. 반면 agentmemory를 사용하면 동일한 작업을 연 약 17만 개 토큰, 금액으로 약 $10 만에 처리할 수 있습니다. 로컬 임베딩 모델(all-MiniLM-L6-v2)을 선택하면 비용은 제로원입니다.

셋째, 결정의 일관성 상실입니다. 메모리가 없으면 에이전트는 지난 세션에서 내린 아키텍처 결정과 모순되는 코드를 생성하거나, 이미 수정한 버그를 다시 도입하거나, 팀에서 정한 패턴을 무시하는 결과를 낳습니다.

넷째, 지식 손실입니다. 귀중한 디버깅 통찰력, 설계 결정, 학습한 선호도가 각 세션이 끝날 때마다 사라져 버립니다.

기존 대비책의 한계

많은 개발자가 CLAUDE.md나 .cursorrules와 같은 정적 텍스트 파일을 활용하여 메모리를 대체하려 시도해 왔습니다. 이러한 파일들은 본질적으로 포스트잇 메모지에 불과합니다. 일반적으로 200줄 제한이 있으며, 수동으로 편집해야 하고, 검색 기능이 없으며, 관련성에 관계없이 파일의全部内容가 항상 컨텍스트에 로드됩니다. 오래된 항목은 정리 없이 계속 축적되고, 결국 토큰 소비만 증가시키는 역효과를 낳습니다. 240개의 관찰 결과에서 무려 22,000개 이상의 토큰이 소모되는 경우도 있습니다.

agentmemory는 이러한 정적 파일이 가진 모든 한계를 해결합니다. 자동화된 캡처, 지능형 압축, 하이브리드 검색, 다층 메모리 통합을 통해 진정한 의미의 메모리 시스템입니다.

핵심 기능 상세 설명

1. 4계층 메모리 통합: 인간 뇌에서 영감을 받은 아키텍처

agentmemory의 가장 혁신적인 설계 철학 중 하나는 인간 인지과학의 기억 과정을 모델링한 것입니다. 우리 뇌가 단기 경험을 장기 기억으로 전환하는 것처럼, agentmemory는 수집된 원시 데이터를 단계적으로 가공하고 저장합니다.

계층	내용	비유	보존 기간
작업 메모리	도구 사용의 원시 관찰	“지금 이 순간 본 것”	분 단위
에피소드 메모리	압축된 세션 요약	“어제 무슨 일이 있었는지”	일에서 주 단위
의미 메모리	추출된 사실과 패턴	“이 프로젝트에 대해 내가 알고 있는 것”	월 단위
절차 메모리	워크플로우 및 결정 패턴	“우리가 보통 이런 일을 어떻게 처리하는지”	장기

각 계층은 서로 다른 시간 척도로 보존되며, 자주 접근하는 기억은 자동으로 강화되고, 오래된 기억은 TTL(타임투라이브) 만료 및 중요도 점수를 통해 자동 정리됩니다. 모순된 정보는 자동으로 감지되어 해결됩니다. 에빙하우스 망각 곡선을 모방한 이 설계는 가장 중요한 정보일수록 더 오랫동안 유지되도록 보장합니다.

2. 트리플 스트림 검색: BM25 + 벡터 + 지식 그래프

agentmemory의 검색 엔진은 단일 방식에 의존하지 않습니다. 대신 세 가지 독립적인 검색 파이프라인을 각각 실행한 뒤, 역순위 합성(RRF, Reciprocal Rank Fusion) 방식으로 결합합니다.

스트림	기술	강점
BM25	어간 추출 키워드 매칭 + 동의어 확장	정확한 용어 일치, 초고속 응답
벡터	밀집 임베딩 기반 코사인 유사도	의미론적 이해, 관련 개념 발견
그래프	엔티티 매칭 기반 지식 그래프 순회	관계 파악, 연결된 정보 탐색

실제 동작 예시를 들어 보겠습니다. “데이터베이스 성능 최적화"를 검색했을 때, 순수한 키워드 매칭(BM25)은 해당 단어가 직접 포함된 문서만 찾습니다. 그러나 agentmemory의 트리오 스트림 방식을 사용하면, 세 차례 전의 N+1 쿼리 수정 내용이 정확한 키워드를 포함하지 않았더라도 의미적으로 연관성이 판단되어 검색 결과에 포함됩니다. RRF 파라미터 k=60을 사용하여 세 스트림의 순위를 융합하고, 세션 다양화를 통해 세션당 최대 3개 결과를 제공함으로써 검색 결과의 폭을 확보합니다.

3. 12개 자동 훅과 51개 MCP 도구

agentmemory는 개발자가 수동으로 무언가를 입력하거나 복사·붙여넣기할 필요 없이, **12가지 자동 훅(hook)**을 통해 모든 에이전트 활동을 기록합니다.

훅 이름	캡처 대상
`SessionStart`	프로젝트 경로, 세션 ID, 환경 설정
`UserPromptSubmit`	사용자 프롬프트 (개인정보 필터링 후)
`PreToolUse`	파일 접근 패턴, 풍부한 컨텍스트
`PostToolUse`	도구 이름, 입력 매개변수, 출력 결과
`PostToolUseFailure`	오류 발생 컨텍스트, 스택 트레이스
`PreCompact`	컨텍스트 압축 직전 기억 재주입
`SubagentStart/Stop`	하위 에이전트 생성·종료 이벤트
`Stop`	세션 종료 요약
`SessionEnd`	세션 완료 마커

이러한 자동 캡처된 데이터는 51개의 MCP(Memory Context Protocol) 도구를 통해 조작할 수 있습니다. memory_smart_search, memory_save, memory_sessions, memory_governance_delete 등 핵심 메모리 연산을 직접 호출하거나, 백그라운드에서 자동으로 처리할 수 있습니다.

4. 완전한 에이전트 호환성

agentmemory의 가장 강력한 장점 중 하나는 범용 호환성입니다. 하나의 메모리 서버가 모든 코딩 에이전트에게 동시에 서비스를 제공합니다.

지원되는 주요 에이전트 목록:

Claude Code — /plugin marketplace add rohitg00/agentmemory 설치
Cursor — ~/.cursor/mcp.json에 MCP 서버 추가
Gemini CLI — gemini mcp add agentmemory npx -y @agentmemory/mcp --scope user
Codex CLI — codex mcp add agentmemory -- npx -y @agentmemory/mcp
OpenCode — ~/.config/opencode/opencode.json 설정
Cline, Goose, Kilo Code, Roo Code, Aider, Windsurf, Claude Desktop

MCP를 지원하지 않는 구형 에이전트의 경우, agentmemory가 제공하는 100개 이상의 REST API 엔드포인트를 통해 직접 통신할 수도 있습니다. 어떤 에이전트가 캡처한 메모리는 다른 모든 에이전트에서 즉시 활용할 수 있습니다. 이것이 진정한 크로스 에이전트 메모리 동기화의 힘입니다.

5. 자체 호스팅, 제로 외부 의존성

대부분의 경쟁 솔루션과는 달리, agentmemory는 외부 데이터베이스나 클라우드 서비스에 대한 의존성이 전혀 없습니다. SQLite와 임베디드 iii 엔진만으로 완전히 작동합니다. Docker 컨테이너 배포, 클라우드 서비스 구독, 데이터베이스 설치가 필요 없습니다. 즉석에서 바로 시작 가능합니다.

npx @agentmemory/agentmemory

단 하나의 명령어로 서버가 시작되고, 실시간 뷰어가 localhost:3113에서 제공됩니다. 구성 파일编辑 없이도 즉시 가동됩니다.

6. 프라이버시 우선 설계

agentmemory는 보안과 개인 정보를 최우선으로 고려하도록 설계되었습니다. 저장 전에 모든 비밀 키(API 키, 데이터베이스 비밀번호, 인증 토큰)와 <private> 태그로 표시된 내용은 자동으로 제거됩니다. 모든 데이터 처리는 기본적으로 로컬에서 이루어지며, 외부로 데이터가 전송되지 않습니다.

7. 실시간 뷰어와 세션 재생

localhost:3113에서 접근 가능한 내장 웹 뷰어는 다음과 같은 기능을 제공합니다.

실시간 메모리 스트림 관찰: 에이전트가 새로운 정보를 수집하는 모습을 실시간으로 모니터링
의미론적 검색 인터페이스: 자연어로 메모리를 검색하고 관련 정보를 확인
타임라인 스크러빙과 세션 재생: 플레이/일시정지, 속도 제어(0.5x~4x), 키보드 단축키 지원
지식 그래프 시각화: 엔티티 간 관계를 노드·링크 다이어그램으로 시각적으로 파악
상태 및 메트릭 대시보드: 시스템 건강 상태, 메모리 크기, 검색 성능 등을 모니터링

특히 세션 재생 기능은 교육, 리뷰, 디버깅 목적으로 매우 유용합니다. 과거의 모든 도구 호출, 프롬프트, 응답을 개별 이벤트 단위로 재생할 수 있어, 에이전트의 의사결정 과정을 완전히 추적할 수 있습니다.

8. 세션 Replay (기록 재생)

모든 기록된 세션은 완전히 재생 가능합니다. 기존 Claude Code JSONL 성적표가 있는 팀이라면 다음과 같이 쉽게 가져올 수 있습니다.

# ~/.claude/projects 아래의 모든 프로젝트 한 번에 가져오기
npx @agentmemory/agentmemory import-jsonl

# 또는 특정 파일만 가져오기
npx @agentmemory/agentmemory import-jsonl ~/.claude/projects/my-project/abc123.jsonl

9. 로컬 임베딩 지원 (무료·오프라인)

api 키가 필요 없는 로컬 임베딩 모델을 기본 지원합니다. Xenova Transformers 기반의 all-MiniLM-L6-v2 모델을 사용하면 인터넷 연결 없이도 완벽하게 의미론적 검색이 가능합니다. 이 모델은 대부분 사용 사례에 충분히 양호한 품질을 제공하며, API 요금 부담이 전혀 없습니다.

더 나아가 6개의 임베딩 공급자를 지원합니다: OpenAI, Cohere, Google, Ollama, Mistral, 그리고 로컬(Xenova Transformers). 최상의 사용 가능한 옵션을 자동으로 감지하여 사용합니다.

10. 고품질 벤치마크 성능

agentmemory는 공개된 산업용 벤치마크에서 다음과 같은 성과를 기록했습니다.

LongMemEval-S 벤치마크 (ICLR 2025 기준)

시스템	R@5	R@10	MRR
agentmemory	95.2%	98.6%	88.2%
BM25 전용 폴백	86.2%	94.6%	71.5%
mem0 (LoCoMo)	68.5%	—	—
Letta/MemGPT (LoCoMo)	83.2%	—	—

트리플 스트림 검색 방식은 순수 키워드 매칭과 경쟁사의 순수 벡터 솔루션을 모두 크게 상회하는 성능을 입증했습니다.

사용 가이드: 30초 만에 시작하기

빠른 설치

# 터미널 1: 메모리 서버 시작
npx @agentmemory/agentmemory

# 터미널 2: 데모 데이터 시드 및 검색 테스트
npx @agentmemory/agentmemory demo

demo 명령은 JWT 인증 설정, N+1 쿼리 수정, 속도 제한 구현이라는 세 가지 현실적인 세션을 시드하고 의미론적 검색을 수행합니다. “데이터베이스 성능 최적화"를 검색했을 때, 원래 관찰문에 그 정확한 단어가 등장하지 않은 N+1 쿼리 수정 결과가 찾아지는 것을 확인하실 수 있습니다. 이는 순수 키워드 매칭이 절대 할 수 없는 일입니다.

서버가 시작되면 브라우저에서 http://localhost:3113을 열어 메모리 구축 과정을 실시간으로 관찰하세요.

Claude Code 연동

# 별도 터미널에서 메모리 서버 시작
npx @agentmemory/agentmemory

# Claude Code 내에서 다음 명령어 실행:
/plugin marketplace add rohitg00/agentmemory
/plugin install agentmemory

이것으로 12개 훅, 4개 스킬이 자동으로 등록되고 MCP 서버가 연결됩니다. 별도의 설정 없이 51개 MCP 도구를 즉시 사용할 수 있습니다.

Cursor 연동

~/.cursor/mcp.json 파일에 다음 내용을 추가하세요.

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"]
    }
  }
}

Gemini CLI 연동

gemini mcp add agentmemory npx -y @agentmemory/mcp --scope user

Codex CLI 연동

codex mcp add agentmemory -- npx -y @agentmemory/mcp

OpenCode 연동

~/.config/opencode/opencode.json에 다음 내용을 추가하세요.

{
  "mcp": {
    "agentmemory": {
      "type": "local",
      "command": ["npx", "-y", "@agentmemory/mcp"],
      "enabled": true
    }
  }
}

REST API (MCP 미지원 에이전트용)

curl -X POST http://localhost:3111/agentmemory/smart-search \
  -H "Content-Type: application/json" \
  -d '{"query": "인증 미들웨어"}'

고급 설정: 지식 그래프 활성화

GRAPH_EXTRACTION_ENABLED=true npx @agentmemory/agentmemory

지식 그래프가 활성화되면, “auth"를 검색할 때 인증 코드뿐만 아니라 “JWT”, “미들웨어”, “토큰 검증"과 같은 연결된 관련 개념도 함께 찾을 수 있습니다.

실제 활용 사례

기업급 개발 팀

50명 규모 엔지니어링 팀이 Claude Code와 Cursor를 병행 사용한다면, 단일 agentmemory 서버만 배포하면 됩니다. 한 개발자가 치명적 버그를 수정하면 그 해결책이 자동으로 메모리에 저장되어, 몇 주 뒤에 비슷한 문제를 마주한 동료 개발자가 즉시 그 정보를 활용할 수 있습니다. 새로 합류한 개발자의 온보딩도 에이전트가 이미 코드베이스의 규칙을 잘 알고 있기 때문에 훨씬 빨라집니다.

프리랜서 개발자

여러 클라이언트 프로젝트를 동시에 진행하는 프리랜서는 클라이언트별로 분리된 메모리 네임스페이스를 유지할 수 있습니다. 프로젝트 간 전환 시 각 코드베이스를 다시 설명할 필요가 없습니다. 에이전트는 각 클라이언트의 아키텍처 결정, API 연동, 배포 절차를 독립적으로 기억합니다.

오픈소스 프로젝트 유지관리자

프로젝트 유지관리자는 기여자 패턴, 일반적인 이슈 유형 및 해결 전략을 담은 살아있는 지식 기반을 agentmemory를 통해 구축할 수 있습니다. 새로운 기여자는 유지관리자가 매번 동일하게 반복 설명하지 않아도 쌓여온 프로젝트 지혜의 혜택을 받습니다.

AI 에이전트 제품 팀

상업용 AI 코딩 제품을 운영하는 팀은 경쟁 우위의 지속적 컨텍스트 기능을 제공하기 위해 agentmemory를 핵심 메모리 레이어로 임베드할 수 있습니다. Apache 2.0 라이선스는 상업적 사용을 완전히 허용하며, 출처 표기도 요구되지 않습니다.

경쟁사 비교: mem0, Letta, CLAUDE.md vs agentmemory

agentmemory가 출시된 현재 시장은 다양한 AI 메모리 솔루션으로 활기차습니다. 가장 주목받는 대안들과의 비교 결과는 다음과 같습니다.

기능	agentmemory	mem0	Letta/MemGPT	내장 (`CLAUDE.md`)
타입	메모리 엔진 + MCP 서버	메모리 레이어 API	전체 에이전트 런타임	정적 텍스트 파일
검색 R@5	95.2%	68.5%	83.2%	비해당 (grep 방식)
자동 캡처	12개 훅 (완전 자동)	수동 `add()` 호출	에이전트 자체 편집	수동 편집
검색 방식	BM25 + 벡터 + 그래프	벡터 + 그래프	벡터 중심	전부 강제로 로드
다중 에이전트	MCP + REST + 공유 네임스페이스	API (조정 없음)	Letta 생태계 내 한정	에이전트별 파일 격리
프레임워크 의존	없음 (모든 MCP 클라이언트)	없음	높음 (Letta 필수)	에이전트별 고유 형식
외부 의존성	없음 (SQLite + iii)	Qdrant 또는 pgvector	Postgres + 별도 DB	없음
메모리 생애주기	4계층 + 감소 + 자동 삭제	수동 추출	에이전트 관리	수동 정리
토큰 효율성	~1,900 토큰/세션	통합 방식에 따라 다름	핵심 기억이 컨텍스트 차지	240개 관찰에서 22K+
실시간 뷰어	있음 (포트 3113)	클라우드 대시보드	클라우드 대시보드	없음
자체 호스팅	예 (기본값)	선택사항	선택사항	예

agentmemory만의 차별화 요소

제로 외부 의존성: mem0은 Qdrant나 pgvector가 필요하고, Letta는 Postgres가 필요합니다. 반면 agentmemory는 SQLite와 임베디드 iii 엔진만으로 완전자족합니다. 별도의 데이터베이스 설정이나 클라우드 서비스 구독이 필요 없습니다.

진정한 크로스 에이전트 메모리: MCP와 REST API를 통해 하나의 메모리 서버가 모든 에이전트에게 동시에 서비스를 제공합니다. 한 에이전트가 캡처한 메모리는 다른 모든 에이전트가 곧바로 활용할 수 있습니다.

완전 자동화: 12개 훅이 모든 활동을 자동으로 캡처합니다. 수동 add() 호출, 에이전트 자기 편집, 메모리 파일 복사·붙여넣기가 전혀 필요 없습니다.

프라이버시 최우선: API 키, 비밀번호, <private> 태그는 저장 전에 반드시 제거됩니다. 모든 처리는 기본적으로 로컬에서 수행됩니다.

배포 옵션

로컬 개발 (기본값 — 권장)

npx @agentmemory/agentmemory

SQLite, 로컬 임베딩, iii 엔진과 함께 로컬에서 즉시 실행됩니다. 별다른 설정이 필요 없습니다.

Docker 배포

git clone https://github.com/rohitg00/agentmemory.git && cd agentmemory
docker-compose up

번들된 docker-compose.yml이 준비되어 있으며, 사전 빌드된 이미지를 가져와서 모든 서비스를 자동으로 노출합니다.

소스 빌드

git clone https://github.com/rohitg00/agentmemory.git && cd agentmemory
npm install && npm run build && npm start

Windows 지원

Windows 10/11에서도 다음 방법으로 실행 가능합니다.

사전 빌드 바이너리 (권장): iii 릴리스에서 iii-x86_64-pc-windows-msvc.zip 다운로드
Docker Desktop: 자동 감지 및 폴백 지원
독립 MCP 전용: npx -y @agentmemory/mcp (엔진 없음, 뷰어 없는 경량 모드)

주의사항 및 고려할 점

iii 엔진 고정: 현재 iii-engine v0.11.2에 고정되어 있습니다. 신규 버전(v0.11.6+)은 샌드박스 모델을 도입했으나 아직 리팩토링이 완료되지 않았습니다. 만약 직접 마이그레이션한 경우 AGENTMEMORY_III_VERSION 환경 변수로 재정의할 수 있습니다.
프라이버시 정책 검토: agentmemory는 기본적으로 API 키와 비밀번호를 제거하지만, 조직의 특별한 보안 요구사항에 맞춰 프라이버시 필터 커스터마이징을 반드시 검토하시기 바랍니다.
로컬 임베딩 품질: 무료 로컬 임베딩 모델(all-MiniLM-L6-v2)은 대부분의 일반적 사용 사례에 충분하지만, 전문 분야나 도메인 특화 어휘에서는 유료 상용 공급자에 비해 약간 떨어질 수 있습니다.
메모리 확장 관리: 자동 망각과 TTL 메커니즘을 활성화하지 않으면, 집중적인 사용이 수개월간 계속될 경우 메모리 데이터베이스가 상당히 커질 수 있습니다. 디스크 사용량을 정기적으로 모니터링하고 적합한 보존 정책을 구성하는 것이 좋습니다.

결론

agentmemory는 AI 코딩 에이전트 기능에 있어서 근본적인 패러다임 전환을 대표합니다. 제로 의존성 아키텍처, 범용 호환성, 프라이버시 최우선 설계라는 세 가지 기둥을 바탕으로 메모리 단절 문제를 명확히 해결함으로써, AI 어시스턴트를 Stateless한 채팅봇에서 Context-aware한 개발 파트너로 진격시키는 전환점입니다. 92%의 토큰 사용량 절감, 95.2% 회수 정확도, 그리고 원활한 MCP 통합은 개인 개발자부터 대기업팀에 이르기까지 모든 사용자에게 설득력 있는 가치를 제공합니다.

AI 코딩 생태계가 빠르게 성장하고 있는 지금, agentmemory와 같은 도구는 선택이 아닌 필수가 될 것입니다. 단순히 코드를 생성하는 에이전트와 진짜로 프로젝트를 이해하는 에이전트 사이를 구분 짓는 것이 바로 지속적 메모리입니다. Apache 2.0 라이선스, 활발한 커뮤니티 성장, 공격적인 벤치마크 성능을 갖춘 agentmemory는 차세대 AI 기반 소프트웨어 개발의 표준 메모리 레이어로서 확실히 자리매김할 위치에 있습니다.

최종 업데이트: 2026-05-09. agentmemory는 활발히 개발 중이며, 최신 기능과 릴리스는 공식 저장소에서 확인하세요.

agentmemory: AI 코딩 에이전트가 코드베이스를 영구히 기억하게 하는 방법#

프로젝트 소개: 왜 지금 agentmemory인가#

현재 AI 코딩 에이전트의 근본적 한계#

기존 대비책의 한계#

핵심 기능 상세 설명#

1. 4계층 메모리 통합: 인간 뇌에서 영감을 받은 아키텍처#

2. 트리플 스트림 검색: BM25 + 벡터 + 지식 그래프#

3. 12개 자동 훅과 51개 MCP 도구#

4. 완전한 에이전트 호환성#

5. 자체 호스팅, 제로 외부 의존성#

6. 프라이버시 우선 설계#

7. 실시간 뷰어와 세션 재생#

8. 세션 Replay (기록 재생)#

9. 로컬 임베딩 지원 (무료·오프라인)#

10. 고품질 벤치마크 성능#

사용 가이드: 30초 만에 시작하기#

빠른 설치#

Claude Code 연동#

Cursor 연동#

Gemini CLI 연동#

Codex CLI 연동#

OpenCode 연동#

REST API (MCP 미지원 에이전트용)#

고급 설정: 지식 그래프 활성화#

실제 활용 사례#

기업급 개발 팀#

프리랜서 개발자#

오픈소스 프로젝트 유지관리자#

AI 에이전트 제품 팀#

경쟁사 비교: mem0, Letta, CLAUDE.md vs agentmemory#

agentmemory만의 차별화 요소#

배포 옵션#

로컬 개발 (기본값 — 권장)#

Docker 배포#

소스 빌드#

Windows 지원#

주의사항 및 고려할 점#

결론#

관련 글#