기술 요약: projectmem

문제 정의

AI 코딩 어시스턴트는 단일 세션 내에서는 강력하지만, 결정적인 아키텍처 결함인 '세션 간 무상태성(statelessness)' 문제를 안고 있습니다. 대화창이 닫히면 에이전트는 프로젝트별로 저장된 영속적인 상태를 잃어버립니다. 결과적으로, 후속 세션에서 에이전트는 소스 파일을 다시 읽거나, 이전에 답변받았던 질문을 다시 던지거나, 가장 비용 효율적인 측면에서 이미 실패했던 수정을 다시 시도해야 하는 상황에 직면합니다.

이는 모델의 품질 문제가 아니라 아키텍처의 문제로 식별됩니다. 컨텍스트를 재구성하기 위해 프로젝트를 다시 읽는 데는 세션당 약 5,000~20,000개의 토큰이 소비되는 것으로 추정됩니다. 또한, 기존의 메모리 솔루션은 종종 벡터 데이터베이스나 LLM 루프 내의 사실 추출(fact extraction)에 의존하여 비결정론적 특성, 반복적인 읽기 비용, 로컬 우선(local-first) 프라이버시의 부재를 초래합니다. 결정적으로, 현재의 시스템들은 주로 수동적인 "도구로서의 메모리(Memory-as-Tool, 질의 응답)" 역할을 수행할 뿐, "거버넌스로서의 메모리(Memory-as-Governance, 알려진 실패를 방지하기 위해 조치 전 개입)"로서 기능하지 못합니다.

방법론 및 시스템 설계

본 논문은 AI 코딩 에이전트를 위한 오픈 소스 기반의 로컬 우선 메모리 및 판단 레이어인 projectmem을 제시합니다. 이 시스템은 네 가지 핵심 설계 원칙을 기반으로 구축되었습니다:

1. 불변성(Immutality): 메모리는 수정 불가능한 추가 전용(append-only) 이벤트 로그이며, 이를 통해 재생 가능한 감사 추적(audit trail)을 생성합니다.
2. 인간 가독성(Human Legibility): 로그는 평문(JSON Lines + Markdown)으로 구성되어, Git을 통한 grep 검색, diff 비교 및 버전 관리가 가능합니다.
3. 지역성(Locality): 모든 상태는 네트워크 의존성이나 텔레메트리 없이 저장소와 로컬 머신에 존재합니다.
4. 결정론(Determinism): 요약과 판단 게이트는 LLM 생성 출력이 아닌, 로그의 순수한 투영(projection)입니다.

핵심 구성 요소

• 이벤트 소싱 기반 기질(Event-Sourced Substrate): 개발 과정은 issue, attempt(결과: 성공/실패/부분 성공 포함), fix, decision, note와 같은 유형화된 이벤트로 기록됩니다. 이들은 events.jsonl에 추가됩니다.
• 결정론적 투영(Deterministic Projection): 요약 파일(summary.md)은 이벤트 로그로부터 결정론적으로 재생성됩니다. 이를 통해 에이전트는 하위 이력으로부터 드리프트(drift)되지 않는 일관되고 파생된 상태를 읽을 수 있습니다.
• 판단 레이어(Judgment Layer, Memory-as-Governance): 시스템은 결정론적인 사전 행동 게이트(pre-action gate)를 도입합니다. 에이전트가 파일을 수정하기 전, precheck_file(path) 함수는 이벤트 로그를 조회하여 해당 경로와 관련된 실패한 시도, 열린 이슈 또는 높은 변경 빈도(high churn)를 확인합니다. 이 함수는 LLM 호출 없이 경고(예: "2일 전 이 작업을 시도했으나 실패했습니다")를 반환합니다.
• 교차 프로젝트 메모리(Cross-Project Memory): 한 프로젝트에서 배운 교훈(예: 특정 라이브러리 관련 주의사항)은 기계 전체의 글로벌 스토어(~/.projectmem/global)로 필터링 및 승격됩니다. 이는 동일한 스택을 사용하는 다른 프로젝트에서 라이브러리 매니페스트(예: package.json, pyproject.toml)를 키로 사용하여 자동으로 노출됩니다.
• MCP 통합: 시스템은 네이티브 Model Context Protocol (MCP) 서버로 동작하며, 모든 MCP 지원 클라이언트(예: Cursor, Claude)에 14가지 유형의 도구(읽기 9개, 쓰기 5개)를 노출합니다. 또한 비-MCP 도구를 위한 마크다운 브릿지도 포함합니다.
• 보안: 비밀값 레드액션(Secret redaction)이 기본적으로 활성화되어, 이벤트 텍스트에서 토큰과 키를 로그에 기록하기 전에 제거합니다.

주요 기여

본 논문은 네 가지 주요 기여를 설명합니다:

1. 이벤트 소싱 메모리 기질: 벡터 데이터베이스를 대체하는 유형화된 이벤트의 평문 추가 전용 로그를 통해, 결정론적인 압축된 AI 가독형 요약을 투영합니다.
2. 판단 레이어: 실패한 수정을 반복하거나 취약한 파일을 편집하기 전에 에이전트에게 경고를 주는, 이력 기반의 결정론적 사전 행동 게이트를 구현하여 "거버넌스로서의 메모리" 개념을 실행합니다.
3. 로컬 우선, 도구 불가지론적 시스템: 기본 설정된 비밀값 레드액션과 함께 완전히 오프라인으로 작동하는 네이티브 MCP 서버 및 유니버설 마크다운 브릿지를 제공합니다.
4. 구현 및 평가: 14개의 MCP 도구, 19개의 CLI 명령, 37개의 자동화 테스트를 갖춘 3개의 의존성을 가진 Python 패키지를 통해 구현되었으며, 2개월간의 자기 연구(self-study)를 통해 평가되었습니다.

결과 및 평가

저자들은 두 달간(2026년 3월 30일 ~ 5월 29일) 10개의 실제 프로젝트(ML, 웹 앱, 연구 코드)를 대상으로 토큰 비용 분석 및 자기 연구를 통해 projectmem을 평가했습니다.

• 토큰 비용 절감: MCP 모드에서 에이전트는 get_summary()를 통해 세션당 약 8001,500개의 토큰을 로드합니다. 이는 메모리 레이어 없이 컨텍스트를 재구성하는 데 필요한 것으로 추정되는 5,00020,000개의 토큰과 비교됩니다. 이는 세션당 토큰 사용량을 50% 이상 절감하는 효과를 나타냅니다.
• 자기 연구 데이터: 시스템은 10개 프로젝트에서 207개의 실제 이벤트를 축적했습니다. 이벤트 구성은 내구성이 있는 노트와 결정(61%)이 주를 이루었으며, 그 뒤를 이어 수정(25%), 시도(5%), 이슈(5%), 결정(4%) 순이었습니다.
• 메모리 축적: 세션마다 0으로 초기화되는 무상태 에이전트와 달리, projectmem의 메모리는 단조 증가하며 "이슈/시도/수정" 트리플(triple)과 아키텍처 결정 사항을 보존합니다.
• 호환성: 시스템은 수정 없이 네 가지 서로 다른 MCP 지원 클라이언트에 동일한 메모리를 제공함을 검증했습니다.
• 감사 가능성: 불변 로그는 무엇이 변경되었고, 무엇이 시도되었으며, 왜 그러했는지를 기록하는 프로비넌스(provenance) 추적 역할을 하며, 표준 버전 관리 도구를 사용합니다.

의의 및 주장

본 논문은 projectmem을 감사 가능한 AI 보조 소프트웨어 개발을 위한 실용적인 기질로 포지셔닝합니다. 그 의의는 메모리의 패러다임을 "도구로서의 메모리(수동적 검색)"에서 "거버넌스로서의 메모리(능동적 개입)"로 전환하는 데 있습니다.

저자들은 메모리를 불변, 인간 가독성, 오프라인, 도구 불가지론적으로 유지함으로써, projectmem이 AI 에이전트의 '건망증' 문제를 해결한다고 주장합니다. 이는 광범위한 의미론적 회상이 목표인 임베딩 기반 메모리를 대체하는 것이 아니라 보완하도록 설계되었습니다. projectmem은 결정론, 가독성, 그리고 제로(zero)의 읽기 시간 모델 비용을 우선시합니다.

본 논문은 토큰 절감량이 통제된 벤치마크 결과가 아닌 사용량 추정치라는 점과, 판단 게이트가 표면적으로 유사하지만 유효한 새로운 변경 사항에 대한 오탐(false positive)을 피하기 위해 설계상 권고(advisory) 역할만 한다는 점을 언급하며 주장에 대해 신중한 태도를 유지합니다. 이 작업은 에이전틱 소프트웨어 엔지니어링 분야에 대한 오픈 소스 인프라 기여로 제시됩니다.