Anchormind

📖 English Documentation

AnchorMind

> AI에게 기억을 줍니다. 그리고 그 기억을 발판으로 성장하게 합니다.

매일 아침 기억이 리셋되는 신입직원을 상상해보라. 어제 가르친 것도, 지난주 함께 해결한 문제도, 취향도 전부 까먹는다. AnchorMind는 이 신입에게 기억을 심어준다.

AnchorMind는 MCP(Model Context Protocol) 기반 에이전트 장기 기억 서버다. 세션이 종료되어도 중요한 사실, 결정, 에러 패턴, 절차를 유지하고 다음 세션에서 복원한다.

> 이 프로젝트는 memento-mcp라는 이름으로 시작했다. 기억을 다루는 프로젝트에 잘 어울리는 이름이라고 지금도 생각하지만, 같거나 비슷한 이름의 프로젝트가 많아 AnchorMind로 바꿨다. 흘러가는 대화 속에서 남길 가치가 있는 기억을 닻처럼 붙들어 고정한다는 뜻이며, 세션이 끝나도 유실되지 않는 이 시스템의 앵커 파편(anchor fragment) 개념과도 맞닿아 있다.

단순한 기억의 도서관이 아니다. 피드백이 쌓이면 연결이 강해지고, 경험이 반복되면 패턴이 추상화되고, 세션이 이어지면 이야기가 생긴다. 기억하는 AI가 아니라 경험으로 성장하는 AI를 지향한다.

> [!TIP] > 설치·설정을 직접 다루기 부담스럽다면 Claude Code·Cursor·Codex 같은 AI 어시스턴트에 다음 한 문장을 전달하면 된다. > > > "anchormind 저장소를 내 환경에 설치하고, docs/INSTALL.md와 SKILL.md를 읽어 권장 설정을 적용한 뒤 동작을 검증해 줘." > > 의존성 설치, .env 구성, MCP 등록, 헬스 체크까지 AI가 안내한다. 자세한 위임 절차는 [docs/INSTALL.md](docs/INSTALL.md#ai에게-맡기기) 참고.

30초 체험

AI에게 무언가를 기억시키고, 다음 세션에서 꺼내 보는 흐름이다:

[세션 1]
사용자: "우리 프로젝트는 PostgreSQL 15를 쓰고, 테스트는 Vitest로 돌려"
  → AI가 remember 호출 → 파편 2개 저장

[세션 2 — 다음 날]
  → AI가 context 호출 → "PostgreSQL 15 사용", "Vitest 테스트" 자동 복원
사용자: "테스트 어떻게 돌리더라?"
  → AI가 recall 호출 → "Vitest로 테스트 실행" 파편 반환
  → AI: "이 프로젝트는 Vitest를 사용합니다. npx vitest로 실행하세요."

매 세션마다 같은 설명을 반복할 필요가 없다.

설치

필수: Node.js 20+, PostgreSQL (pgvector 확장)

cp .env.example.minimal .env
# .env 값을 편집한 뒤 셸에 반영
export $(grep -v '^#' .env | grep '=' | xargs)
npm install
npm run migrate
node server.js

OpenAI API 없이 로컬 임베딩을 사용하려면 .env에 EMBEDDING_PROVIDER=transformers를 추가한다. 기동 시 Xenova/multilingual-e5-small 모델을 자동으로 다운로드한다. 단, OpenAI 임베딩으로 이미 저장된 데이터와 혼용하면 차원이 불일치하므로 새로 마이그레이션된 DB에서만 사용할 것.

서버가 뜬 뒤에는 [First Memory Flow](docs/getting-started/first-memory-flow.md)로 동작을 검증한다.

다른 플랫폼 설정은 위 [호환 플랫폼](#호환-플랫폼) 테이블 참조.

업데이트

cd ~/memento-mcp
git pull origin main
npm install
npm run migrate
# 서비스 재시작 (systemd / pm2 / docker 등 환경에 맞게)

• npm run migrate는 .env의 DB 설정을 자동으로 사용한다. DATABASE_URL 수동 지정 불필요.
• pgvector 스키마는 자동 감지된다. PGVECTOR_SCHEMA 설정은 대부분 불필요.

Claude Code 연동

claude mcp add CLI로 등록한다 (HTTP 타입 MCP 서버는 settings.json에 수동 기재해도 인식되지 않는다).

claude mcp add memento http://localhost:57332/mcp \
  --transport http \
  --scope user \
  --header "Authorization: Bearer YOUR_ACCESS_KEY"

등록은 ~/.claude.json에 저장된다. 확인:

claude mcp list
# memento: http://localhost:57332/mcp (HTTP) - ✓ Connected

프로젝트 단위로 공유하려면 저장소 루트의 .mcp.json에 기재한다. 상세 설정은 [Claude Code Configuration](docs/getting-started/claude-code.md) 참조.

Codex Desktop 연동

Codex Desktop 등 일부 MCP 클라이언트는 deferred/lazy tool discovery를 쓴다. tool_search가 검색어와 limit에 따라 일부 도구만 노출하므로, 항상 존재하는 recall이 저장 편향 쿼리+낮은 limit에서 빠질 수 있다. recall이 안 보이면 더 넓은 쿼리와 limit 20 이상으로 재검색한다. 권장: 에이전트 system prompt/instructions에 이 재검색 규칙을 미리 심어 초기 discovery 루프를 차단한다.

• query: memento context recall remember reflect batch_remember search_traces reconstruct_history
• limit: 20 이상

지원 환경

| 환경 | 권장도 | 시작 문서 | |------|--------|-----------| | Linux / macOS | 권장 | [Quick Start](docs/getting-started/quickstart.md) | | Windows + WSL2 | 가장 권장 | [Windows WSL2 Setup](docs/getting-started/windows-wsl2.md) | | Windows + PowerShell | 제한 지원 | [Windows PowerShell Setup](docs/getting-started/windows-powershell.md) |

호환 플랫폼

AnchorMind는 MCP(Model Context Protocol) 표준 서버다. Claude Code뿐 아니라, MCP를 지원하는 모든 AI 플랫폼에서 사용할 수 있다.

| 플랫폼 | 설정 위치 | 연결 방식 | |--------|----------|-----------| | Claude Code | claude mcp add CLI (~/.claude.json) 또는 .mcp.json | Streamable HTTP | | Claude Desktop | claudedesktopconfig.json | Streamable HTTP | | Claude.ai Web | Settings > Integrations | OAuth (RFC 7591) | | Cursor | .cursor/mcp.json | Streamable HTTP | | Windsurf | ~/.codeium/windsurf/mcp_config.json | Streamable HTTP | | GitHub Copilot | VS Code MCP Marketplace | Streamable HTTP | | Codex CLI | ~/.codex/config.toml | Streamable HTTP | | ChatGPT Desktop | Developer Mode > Apps | OAuth (RFC 7591) | | Continue | config.json | Streamable HTTP |

공통 설정: 서버 URL http://localhost:57332/mcp, Authorization 헤더에 Bearer YOUR_ACCESS_KEY.

Claude.ai Web / ChatGPT 연동은 OAuth를 사용한다. 발급한 API 키(mmcp_xxx)를 client_id로 입력하면 Dynamic Client Registration(RFC 7591) 없이 바로 연결된다. 신뢰 도메인(claude.ai, chatgpt.com)의 redirect URI는 자동 승인된다.

플랫폼별 상세 설정은 [연동 가이드](docs/getting-started/) 참조.

7가지 파편 유형

| 유형 | 설명 | 용도 | |------|------|------| | fact | 사실 | 설정값, 경로, 버전 등 객관적 정보 | | decision | 의사결정 | 아키텍처 선택, 기술 스택 결정과 근거 | | error | 에러 | 발생한 에러와 원인, 해결 방법 | | preference | 선호 | 사용자 스타일, 코딩 규칙, 작업 방식 | | procedure | 절차 | 배포, 빌드, 테스트 등 반복 가능한 단계 | | relation | 관계 | 엔티티 간 연결, 의존성, 소유 관계 | | episode | 에피소드 | 전후관계를 포함하는 서사 기억 (1000자, 나머지는 300자) |

핵심 기능

| 기능 | 설명 | |------|------| | remember | 중요한 정보를 원자적 파편으로 분해하여 저장. MEMENTO_REMEMBER_ATOMIC=true 시 quota check + INSERT를 단일 트랜잭션으로 원자화. | | recall | 키워드 + 시맨틱 3계층 검색으로 필요한 기억만 반환. SearchScope가 workspace/caseId/affect 등 scope를 L1~L3 전 레이어에 정합 적용. | | context | 세션 시작 시 핵심 맥락을 자동 복원 | | 자동 정리 | 중복 병합, 모순 탐지, 중요도 감쇠, TTL 기반 망각 | | storage 어댑터 계층 | lib/storage/에 스토리지 추상화 계층이 있다. getStorage() 팩토리가 MEMENTO_STORAGE ENV에 따라 PgVectorStore(기본) 또는 SqliteVecStore(스텁, 미구현)를 반환한다. | | 링크 재통합 | tool_feedback 피드백이 fragmentlinks의 weight/confidence에 실시간 반영 (ReconsolidationEngine). 모순 링크는 자동 격리(quarantine). | | 확산 활성화 | recall 시 contextText를 전달하면 관련 파편의 activationscore를 선제적으로 부스트하여 맥락 연관성 높은 결과 우선 반환 (SpreadingActivation). | | 에피소드 연속성 | reflect 후 생성된 episode 파편 간 preceded_by 엣지를 자동 생성하여 경험 흐름을 그래프로 보존 (EpisodeContinuityService). | | 관리 콘솔 | 기억 탐색, 지식 그래프, 통계 대시보드, API 키 그룹/상태 필터, daily-limit 인라인 편집 | | OAuth 연동 | RFC 7591 Dynamic Client Registration, Claude.ai / ChatGPT Web 통합 지원 | | Workspace 격리 | 같은 키 내에서도 프로젝트·직종·클라이언트 단위로 기억을 분리. api_keys.default_workspace로 자동 태깅, 검색 시 자동 필터. | | 배치 처리 | batch_remember는 multi-row 단일 INSERT(256KB 또는 500행 chunk) + 비동기 큐 워커(BatchRememberWorker)로 임베딩·후처리를 논블로킹 실행. async: true 시 ack·재시도(최대 3회)·dead-letter·기동 복구(RPOPLPUSH reliable queue)로 at-least-once 처리 보장. batch_status(jobId) 도구로 처리 상태(queued/processing/completed/dead) 조회 가능. 항상 표준 단일 JSON-RPC 응답 반환(stream deprecated). reflect는 5카테고리를 단일 배치 호출로 위임. EmbeddingWorker는 큐 묶음을 generateBatchEmbeddings + multi-row UPDATE로 처리. | | Consistency Gate | fragments.morpheme_indexed 컬럼으로 형태소 인덱스 완료 여부 추적. 미완료 파편은 L3 형태소 검색 경로에서 자동 제외. | | Mode preset | recall-only / write-only / onboarding / audit JSON preset. X-Memento-Mode 헤더 또는 api_keys.default_mode로 도구 노출 범위 제한. | | Affective tagging | fragments.affect 컬럼(neutral / frustration / confidence / surprise / doubt / satisfaction). remember / recall 시 감정 레이블로 필터링. | | 로컬 임베딩 | EMBEDDING_PROVIDER=transformers로 외부 API 없이 @huggingface/transformers 파이프라인 기반 임베딩(Xenova/multilingual-e5-small, 384d 기본). | | 마이그레이션 lint | npm run lint:migrations로 신규 마이그레이션 파일의 번호 충돌·규약 위반을 커밋 전 자동 검사. |

전체 MCP 도구 목록은 [SKILL.md](SKILL.md) 참조.

CLI

원격 MCP 서버를 로컬 노드 없이 직접 조작할 수 있다. --remote URL --key KEY 전역 플래그 또는 MEMENTO_CLI_REMOTE / MEMENTO_CLI_KEY 환경변수로 지정한다.

# 원격 서버에서 recall (환경변수 방식)
MEMENTO_CLI_REMOTE=https://example.com/mcp MEMENTO_CLI_KEY=mmcp_xxx memento-mcp recall "query"

# 원격 서버에서 recall (플래그 방식)
memento-mcp recall "query" --remote https://example.com/mcp --key mmcp_xxx

# 표 형식 출력, 결과 5건
memento-mcp recall "query" --format table --limit 5

# idempotency key로 중복 저장 방지
memento-mcp remember "내용" --topic 프로젝트명 --idempotency-key k1

--format table|json|csv 출력 형식 선택, 14개 서브명령에 --help/-h 지원. 자세한 플래그는 [docs/cli.md](docs/cli.md).

API 응답 메타

recall / context 응답은 _meta: { searchEventId, hints, suggestion, serverTime } 필드를 포함한다. serverTime은 LLM 클라이언트의 학습 시점 시간 고착을 방지하기 위해 매 응답마다 서버 현재 시각을 노출한다.

{
  "fragments": [...],
  "_meta": {
    "searchEventId": "evt-abc123",
    "hints": { "signal": "consider_context" },
    "suggestion": { "code": "large_limit_no_budget", "message": "..." },
    "serverTime": {
      "iso"        : "2026-05-15T06:32:11.000Z",
      "epoch_ms"   : 1747291931000,
      "display_kst": "2026년 5월 15일 (목) 15:32",
      "timezone"   : "Asia/Seoul"
    }
  }
}

remember / link / forget / amend는 dryRun: true 파라미터로 부작용 없이 예상 결과만 반환한다. 모든 응답에 X-RateLimit-Limit / X-RateLimit-Remaining / X-RateLimit-Resource 헤더가 포함되며 master key 또는 limit=null 설정 시 헤더를 생략한다. recall은 fields 배열로 반환 필드를 17개 화이트리스트 범위로 제한할 수 있다. remember / batchRemember는 idempotencyKey 파라미터로 같은 key_id 범위 내 중복 저장을 방지한다(최대 128자). remember / batchRemember 항목 / amend의 content는 4000자를 초과하면 JSON-RPC -32602 에러로 거부된다. 위 파편 유형별 저장 절삭(1000자/300자)과는 별개로 그보다 앞단에서 적용되는 수신 게이트이며, batchRemember는 초과 항목만 실패 처리하고 나머지 배치는 그대로 진행한다.

보안

• RBAC default-deny: TOOL_PERMISSIONS 맵에 없는 도구명은 권한과 무관하게 즉시 거부.
• 테넌트 격리: forget / amend / link / fragment_history는 SQL 레벨 key_id 조건으로 타 테넌트 파편 접근 불가. "없음"과 "권한 없음"을 동일 메시지로 처리하여 존재 여부 노출 방지.
• injectSessionContext: 클라이언트가 전송한 _keyId / _permissions 등 내부 필드를 서버 인증 결과로 재주입하여 세션 컨텍스트 위조 차단.
• Admin rate limit: /auth, /keys POST, /import POST에 IP 기반 rate limit.
• OpenAPI: GET /openapi.json 엔드포인트(ENABLE_OPENAPI=true). master key는 전체 경로, API key는 permissions 필터 스펙 반환.

Symbolic Verification Layer

선택적 설명 가능성, advisory 링크 무결성, 극성 충돌 탐지, 정책 규칙 soft gating. 9 core 모듈 + 5 규칙 파일. 모든 플래그 기본 비활성.

Smart Recall

• ProactiveRecall: remember() 시 키워드 오버랩 기반 유사 파편 자동 링크.
• CaseRewardBackprop: case verification 이벤트 시 증거 파편 importance 자동 역전파.
• SearchParamAdaptor: 사용 패턴 기반 검색 임계값 자동 최적화.
• CBR(Case-Based Reasoning): recall(caseMode=true) 로 유사 사례의 goal → events → outcome 흐름을 검색하여 과거 해결 패턴 재활용.
• depth 필터: Planner/Executor 역할별 검색 깊이 제어("high-level" / "detail" / "tool-level").
• recall 응답 key_id: 반환 파편에 소유 테넌트 식별자 포함.
• Reconsolidation: tool_feedback 기반 fragment_links weight/confidence 실시간 갱신(ENABLE_RECONSOLIDATION=true).
• Spreading Activation: recall(contextText=...) 전달 시 대화 맥락 기반 관련 파편 ema_activation 선제 활성화(ENABLE_SPREADING_ACTIVATION=true).

fragments.id는 frag-{16자 hex} text 형식이다. UUID가 아니므로 외부에서 ID를 생성하거나 파싱할 때 주의한다.

/metrics 엔드포인트가 Prometheus 호환 형식으로 메트릭을 노출한다. 수집·시각화는 사용자가 자유롭게 구성한다.

기억 vs 규칙

AnchorMind가 주입하는 기억 파편은 시스템 프롬프트보다 우선순위가 낮다. "PostgreSQL 15를 쓴다"같은 사실 기억은 잘 작동하지만, "테스트 작성 시 반드시 Given-When-Then 패턴을 쓸 것"같은 행동 규칙은 시스템 프롬프트와 충돌하면 무시될 수 있다.

행동 규칙은 CLAUDE.md, AGENTS.md, 훅(hooks), 스킬(skills) 등 우선순위가 높은 채널에 설정하는 것을 권장한다.

벤치마크

LongMemEval-S 500문항 기준 성능:

| 지표 | 점수 | 비교 | |------|------|------| | 검색 recall@5 | 88.3% | LongMemEval 논문 Stella 1.5B 대비 +8~18pp | | QA 정답률 | 45.4% | temporal metadata 적용 (baseline 40.4%) | | 파편 처리량 | 89,006개 / 27초 | 인제스천 + 임베딩 + 검색 전체 파이프라인 |

검색은 6개 문항 유형 중 5개에서 80% 이상 recall을 달성한다. 다만 검색 recall(88.3%)과 QA 정답률(45.4%) 사이에 큰 gap이 존재한다. 이는 검색된 파편에서 정답을 합성하는 reader 단계의 한계로, multi-session 추론과 시간축 추론에서 특히 두드러진다.

상세 분석은 [Benchmark Report](docs/benchmark.md) 참조.

사용 패턴

AnchorMind는 사실 기억(fact cache)에 최적화되어 있다. 전후관계가 중요한 경우:

• episode 유형으로 서사를 저장하면 "왜 그런 결정을 했는지"까지 복원 가능
• contextSummary를 함께 저장하면 recall 시 맥락이 함께 반환됨
• 메인 메모리 시스템(MEMORY.md 등)과 병행하여 사실 검색은 AnchorMind, 맥락 복원은 메인 메모리로 역할 분담하는 이원화 구조도 효과적

누가 쓰면 좋은가

• Claude Code / Cursor / Windsurf 등 AI 에이전트를 매일 쓰는 개발자
• 세션마다 같은 설명을 반복하는 게 짜증나는 사람
• AI에게 내 프로젝트 맥락을 기억시키고 싶은 사람

디렉토리 구조

lib/
  memory/
    read/        # FragmentSearch, SearchScope, SearchSideEffects, CaseRecall 등
    write/       # MemoryRememberer, BatchRememberProcessor 등
    link/        # MemoryLinker, ReconsolidationEngine 등
    consolidate/ # MemoryConsolidator
    embedding/   # EmbeddingWorker, EmbeddingCache, MorphemeIndex
    signals/     # SpreadingActivation, CaseRewardBackprop 등
    processors/  # facade — MemoryRecaller, MemoryReflector 등
  storage/       # PgVectorStore(기본), SqliteVecStore(스텁, 미구현) 어댑터 계층
  llm/           # dispatchChain, provider 구현체
  symbolic/      # SymbolicVerificationLayer (opt-in)
docs/
  getting-started/   # 플랫폼별 설치 가이드
  operations/        # 운영 가이드 (llm-providers, symbolic-hard-gate 등)
  features.md        # 모듈 ledger
  configuration.md   # 환경변수 전체 레퍼런스

더 알아보기

| 문서 | 내용 | |------|------| | [Quick Start](docs/getting-started/quickstart.md) | 상세 설치 가이드 | | [Architecture](docs/architecture.md) | 시스템 구조, DB 스키마, 3계층 검색, TTL | | [Configuration](docs/configuration.md) | 환경 변수, MEMORY_CONFIG, 임베딩 Provider | | [API Reference](docs/api-reference.md) | HTTP 엔드포인트, 프롬프트, 리소스 | | [CLI](docs/cli.md) | 터미널 명령어 | | [Internals](docs/internals.md) | 평가기, 통합기, 모순 탐지 | | [Benchmark](docs/benchmark.md) | LongMemEval-S 벤치마크 상세 분석 | | [Features](docs/features.md) | 모듈 ledger, 실험 플래그, ENV 매핑 | | [SKILL.md](SKILL.md) | MCP 도구 전체 레퍼런스 | | [INSTALL.md](docs/INSTALL.md) | 마이그레이션, 훅 설정, 상세 설치 | | [CHANGELOG](CHANGELOG.md) | 버전별 변경사항 |

운영

• /health: DB, Redis, pgvector, 워커 상태를 종합 점검. 부분 장애 시 degraded 응답.
• Rate Limiting: API 키당 100/분, IP당 30/분. 환경변수로 조정 가능.
• 워커 복구: 임베딩/평가 워커가 에러 시 지수 백오프(1s→60s)로 자동 재시도.
• Graceful Shutdown: SIGTERM 시 진행 중 워커 완료 대기(30초) 후 세션 auto-reflect 실행.
• OAuth 엔드포인트: 인증 실패 시 WWW-Authenticate 헤더를 반환하여 OAuth 클라이언트가 자동으로 인증 흐름을 시작할 수 있다. 세션 TTL 기본값은 240분이다.
• 마이그레이션 lint: npm run lint:migrations로 번호 충돌 및 규약 위반을 커밋 전 검사.
• 운영 가이드: [docs/operations/](docs/operations/) — LLM provider 체인, symbolic hard gate, agent worktree, upstream porting 등.
• 외부 노출 점검: docs/operations/maintenance.md의 "외부 노출 점검" 절차로 listen 주소, 인증 키, Origin allowlist 상태를 확인.

알려진 제한사항

• L1 Redis 캐시는 API 키 기반 격리만 지원한다. multi-agent 환경에서 에이전트 간 격리는 L2/L3에서 적용된다.
• 자동 품질 평가는 decision, preference, relation 유형만 대상이다. fact, procedure, error는 평가 큐에서 제외된다.
• MEMENTOACCESSKEY를 설정하지 않으면 인증이 비활성화된다. 외부 노출 환경에서는 반드시 설정할 것.
• ALLOWED_ORIGINS — 브라우저 기반 MCP 클라이언트 화이트리스트. 미설정 시 모든 Origin을 허용한다.

외부 노출 환경에서는 MCP_STRICT_ORIGIN=true와 함께 실제 사용하는 브라우저 Origin만 등록할 것. 데스크탑/CLI/IDE 확장(Claude Code, Cursor, Windsurf, Continue, Cline, Zed, gemini CLI 등)은 Origin 헤더를 보내지 않으므로 화이트리스트 불필요. 브라우저 후보: claude.ai, claude.com, chatgpt.com, chat.openai.com, copilot.microsoft.com, gemini.google.com, aistudio.google.com, www.perplexity.ai, cursor.com, codeium.com, windsurf.com, sourcegraph.com, typingmind.com (실제 호출하는 것만 선별).

• ADMINALLOWEDORIGINS — Admin UI 호출 origin 화이트리스트. 미설정 시 모든 Origin을 허용한다.

외부 노출 환경에서는 관리 콘솔 Origin을 명시하거나 리버스 프록시/방화벽에서 접근을 제한할 것.

• TRUSTPROXYHOPS — 신뢰 가능한 리버스 프록시 hop 수. 미설정 시 기존 동작 유지(XFF 첫 항목).

직접 노출 시 0, 단일 프록시 뒤에서는 1.

• OAUTHTRUSTEDORIGINS — 동의 자동 승인 대상 origin 화이트리스트. 동일 origin에서 여러 앱을 호스팅하면

OAUTHALLOWEDREDIRECT_URIS의 전체 URI 매칭 사용을 권장.

기술 스택

• Node.js 20+
• PostgreSQL 14+ (pgvector 확장)
• Redis 6+ (선택)
• OpenAI Embedding API (선택) 또는 EMBEDDING_PROVIDER=transformers (로컬 저비용 모드)
• garu-ko / natural PorterStemmer / @node-rs/jieba / kuromoji (로컬 형태소 분석, 언어별 CPU 라우팅; MEMENTO_MORPHEME_TOKENIZER=local 기본)
• Gemini CLI / Codex CLI / GitHub Copilot CLI (품질 평가, 자동 reflect; 선택, LLMPRIMARY / LLMFALLBACKS로 체인 구성)
• @huggingface/transformers + ONNX Runtime (NLI 모순 분류 + 로컬 임베딩, CPU 전용)
• MCP Protocol 2025-11-25

PostgreSQL만 있으면 핵심 기능이 동작한다. Redis를 추가하면 L1 캐스케이드 검색과 SessionActivityTracker가 활성화되고, OpenAI API 또는 EMBEDDING_PROVIDER=transformers를 추가하면 L3 시맨틱 검색과 자동 링크가 활성화된다.

만들게 된 계기

접기/펼치기

실무에서 AI를 쓰면서 매일 같은 맥락을 반복 설명하는 비효율을 느꼈다. 시스템 프롬프트에 메모를 넣는 방법도 써봤지만 한계가 명확했다. 파편 수가 늘어나면 관리가 안 되고, 검색이 안 되고, 오래된 정보와 새 정보가 충돌했다.

이미 설명한 것, 이미 세팅한 것을 무한히 반복하게 만드는 것이 가장 큰 문제였다. 인증 정보가 없다고 해서 보면 있고, 세팅 안 돼 있다고 해서 파일을 직접 열어보면 다 돼 있다. 철저하게 논파해서 말 잘 듣게 해 봐야 그때뿐이다. 세션을 다시 시작하면 같은 일이 또 반복된다. 명문대를 수석 졸업했지만 매일 뇌가 리셋되는 신입사원의 교육담당자가 된 기분이었다.

"야 너 미정이 기억나냐" -- 단서 없이는 아무것도 떠오르지 않지만, "초등학교 1학년 때 짝궁" 한마디면 지우개 빌려줬던 일까지 줄줄이 떠오른다. AI도 마찬가지다. 어제 해결한 버그, 지난주 내린 결정, 선호하는 코딩 스타일. 매 세션 리셋 대신, AnchorMind가 기억해둔다.

이 고충을 해소하기 위해 기억을 원자 단위로 분해하고, 계층적으로 검색하고, 시간에 따라 자연스럽게 망각하는 시스템을 설계했다. 인간이 망각의 동물인 것처럼, 이 시스템은 "적절한 망각"을 포함한 기억을 지향한다.

그리고 거기서 멈추지 않는다. 피드백이 누적될수록 연결이 강해지고 약한 링크는 사라진다. 같은 경험이 반복될수록 패턴이 추상화된다. 세션 간 에피소드가 이어질수록 맥락이 이야기가 된다. 도서관을 짓는 게 아니다. 경험으로 성장하는 AI를 만들고 싶었다.

---

기억은 지능의 전제가 아니다.

…

Source & license

This open-source MCP server is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: JinHo-von-Choi
• Source: JinHo-von-Choi/anchormind
• License: Apache-2.0

Install and usage instructions live in the source repository linked above.