Mastra·Mem0 — 멀티 에이전트 '기억 불일치' 해결하는 법

여러 AI 에이전트가 함께 협업해서 일할 때, 한 에이전트가 방금 배운 핵심 정보를 옆에 있는 다른 에이전트가 전혀 모른 채 엉뚱한 소리를 해서 당황해 보신 적 있으신가요? 각자 머릿속에 든 기억이 서로 꼬이고 어긋나는 현상은 멀티 에이전트 시스템을 구축할 때 마주치는 가장 골치 아픈 문제입니다.

최근 AI 생태계는 단순히 필요한 정보를 그때그때 검색해 오는 수준을 넘어서고 있습니다. 여러 에이전트가 실시간으로 완벽하게 같은 기억을 공유할 수 있도록 돕는 새로운 메모리 동기화 기술들이 등장하고 있는데요. 이 흥미로운 기술들의 핵심 원리를 아주 쉽고 친절하게 정리해 드립니다!

왜 에이전트끼리 대화하면 기억이 어긋날까? '콘텍스트 드리프트'

여러 에이전트가 각자 대화하고 행동하다 보면 가지고 있는 정보가 조금씩 어긋나기 시작합니다. 학계에서는 이를 각 에이전트의 내부 지식이 서로 달라지는 현상인 '콘텍스트 드리프트(Context Drift)'라고 부르는데, 놀랍게도 멀티 에이전트 협업이 실패하는 원인의 무려 79%를 차지하는 주범입니다. 쉽게 말해, 서로 딴생각을 하면서 일하다 보니 결국 배가 산으로 가는 셈입니다.

"그럼 대화 기록을 에이전트 모두에게 전부 복사해 주면 되지 않을까?"라는 생각이 먼저 들 수 있습니다. 하지만 최근 연구에 따르면, 이러한 무차별적인 동기화는 오히려 독이 됩니다. 한 에이전트가 잘못 판단한 정보나 사소한 실수가 전체 팀으로 순식간에 전염되어 단체로 환각을 느끼는 부작용이 생기기 때문입니다. 실제로 모든 대화를 무작정 공유하면 환각률이 오히려 34%나 높아집니다.

이를 해결하기 위해 등장한 개념이 바로 '상태 검증 프로토콜(SSVP)'입니다. 모든 데이터를 다 퍼붓는 대신, 에이전트들이 핵심 상태의 압축 요약본만 똑똑하게 검증하며 공유하는 약속입니다. 이 방식을 쓰면 기억 오염을 완벽하게 막으면서도 에이전트끼리 주고받는 불필요한 데이터 통신 비용을 58%나 줄일 수 있습니다.

마스트라(Mastra)의 해결책: 인간처럼 '관찰하고 정리하는' 세 쌍둥이 메모리

최근 개발자들 사이에서 뜨거운 관심을 받고 있는 타입스크립트 기반 AI 프레임워크, 마스트라(Mastra)는 아주 영리한 해결책을 선보였습니다. 바로 인간이 기억을 다루는 방식을 그대로 구현한 '관찰자 메모리' 시스템입니다.

이 시스템은 메모리를 정리하기 위해 역할을 세 가지로 나눕니다. 실제로 유저와 대화하며 일을 처리하는 주체인 '액터', 이 대화 과정을 옆에서 촘촘하게 관찰하며 기록을 압축하는 '옵저버', 그리고 불필요한 낙서는 지우고 진짜 중요한 정보만 합쳐주는 '리플렉터'입니다.

마치 우리가 바쁜 하루를 보낸 뒤, 머릿속으로 오늘 일을 차분히 돌아보고 핵심만 골라 다이어리에 일기를 쓰는 과정과 완전히 똑같습니다. 액터가 활동한 내용을 옵저버가 기록하고, 리플렉터가 이를 알짜배기 일기로 요약해 주는 것이죠.

덕분에 대화가 길어져도 컨텍스트 창이 쓸데없이 비대해지지 않고 프롬프트 캐싱도 훨씬 잘 작동합니다. 실제로 이 기술을 적용하면 도구 호출 시 데이터를 최소 5배에서 최대 40배까지 압축해 준다고 하니, 대화 토큰 요금 걱정을 크게 덜 수 있겠죠?

멤제로와 E-mem: '언제' 일어났는지 기억하고, '생생한 경험'으로 되살리기

또 다른 대표 주자인 멤제로(Mem0)는 단순히 키워드로 정보를 찾는 수준을 넘어, "그 일이 대체 언제 일어났는가?"에 집중합니다. 멤제로는 기억의 전후 관계를 파악하는 시간적 추론 기능과 여러 정보의 연관성을 잇는 엔티티 링킹 기술을 활용합니다. 덕분에 과거의 낡은 지식과 오늘의 새로운 정보가 충돌할 때, 어떤 기억이 진짜 최신 정보인지 똑똑하게 우선순위를 가려내고 꼬여버린 기억을 깔끔하게 정리해 줍니다.

최근 학계에서 뜨거운 주목을 받은 연구인 E-mem은 여기서 한 걸음 더 나아갑니다. 기존에는 대화 내용을 쪼개서 단순한 숫자 덩어리인 벡터로 압축해 저장하다 보니 중요한 문맥이 쉽게 손실되는 한계가 있었습니다. 하지만 E-mem은 생명체의 기억 흔적에서 영감을 받아, 정보를 억지로 압축하는 대신 원본 문맥을 고스란히 살려두는 방식을 선택했습니다.

구조도 아주 흥미롭습니다. 메인 에이전트가 계획을 세우면, 가공되지 않은 날것의 대화 조각을 들고 있는 보조 에이전트들이 필요할 때마다 원본 문맥을 직접 다시 읽어봅니다. 마치 우리가 옛날 일기를 꺼내 읽으며 당시 상황을 머릿속으로 생생하게 다시 경험하는 것과 비슷합니다. 덕분에 기억의 왜곡을 막으면서도 토큰 비용은 오히려 70%나 아끼는 놀라운 효율을 보여줍니다.

진짜 협동하는 AI 에이전트 시대를 향해

앞으로 만날 AI 에이전트는 혼자 일하는 개인 비서가 아니라, 서로 협력하며 큰 문제를 해결하는 든든한 팀에 가깝습니다.

에이전트 사이의 기억 상태를 안전하고 정밀하게 조율하는 멤클로(MemClaw) 같은 분산 메모리 기술도 빠르게 발전하고 있습니다. 조만간 여러 AI 비서가 사람보다 더 일관되게 손발을 맞춰 복잡한 업무를 척척 처리하는 모습을 보게 될지도 모릅니다.

각자의 역할을 똑똑하게 해내며 완벽하게 대화하는 에이전트 팀이 우리 일상을 어떻게 바꿔나갈지, 그 흥미로운 여정을 계속 지켜봐 주세요.