memU는 24/7 프로액티브 에이전트를 위해 구축된 메모리 프레임워크입니다. 장시간 실행을 위해 설계되었으며, 에이전트를 항상 온라인으로 유지하는 LLM 토큰 비용을 크게 절감하여 상시 가동되고 진화하는 에이전트를 프로덕션 시스템에서 실용적으로 만듭니다. memU는 사용자 의도를 지속적으로 캡처하고 이해합니다. 명령이 없어도 에이전트는 당신이 무엇을 하려는지 파악하고 스스로 행동합니다.
- Download-and-use and simple to get started.
- Builds long-term memory to understand user intent and act proactively.
- Cuts LLM token cost with smaller context.
Try now: memU bot
memU는 메모리를 파일 시스템처럼 다룹니다—구조화되고, 계층적이며, 즉시 접근 가능합니다.
| 파일 시스템 | memU 메모리 |
|---|---|
| 📁 폴더 | 🏷️ 카테고리 (자동 정리된 주제) |
| 📄 파일 | 🧠 메모리 아이템 (추출된 사실, 선호도, 스킬) |
| 🔗 심볼릭 링크 | 🔄 교차 참조 (연관된 메모리 연결) |
| 📂 마운트 포인트 | 📥 리소스 (대화, 문서, 이미지) |
왜 중요한가:
- 디렉토리를 탐색하듯 메모리를 탐색—넓은 카테고리에서 구체적인 사실로 드릴다운
- 새로운 지식을 즉시 마운트—대화와 문서가 쿼리 가능한 메모리로 변환
- 모든 것을 교차 연결—메모리가 서로를 참조하여 연결된 지식 그래프 구축
- 영구적이고 이식 가능—파일처럼 메모리를 내보내기, 백업, 전송
memory/
├── preferences/
│ ├── communication_style.md
│ └── topic_interests.md
├── relationships/
│ ├── contacts/
│ └── interaction_history/
├── knowledge/
│ ├── domain_expertise/
│ └── learned_skills/
└── context/
├── recent_conversations/
└── pending_tasks/
파일 시스템이 원시 바이트를 정리된 데이터로 변환하듯, memU는 원시 상호작용을 구조화되고, 검색 가능하며, 프로액티브한 인텔리전스로 변환합니다.
| 기능 | 설명 |
|---|---|
| 🤖 24/7 프로액티브 에이전트 | 백그라운드에서 지속적으로 작동하는 상시 가동 메모리 에이전트—절대 잠들지 않고, 절대 잊지 않습니다 |
| 🎯 사용자 의도 캡처 | 세션 간에 사용자의 목표, 선호도, 컨텍스트를 자동으로 이해하고 기억 |
| 💰 비용 효율적 | 인사이트를 캐싱하고 중복 LLM 호출을 방지하여 장기 실행 토큰 비용 절감 |
cd examples/proactive
python proactive.py
┌──────────────────────────────────────────────────────────────────────────────────────────────────┐
│ USER QUERY │
└──────────────────────────────────────────────────────────────────────────────────────────────────┘
│ │
▼ ▼
┌────────────────────────────────────────┐ ┌────────────────────────────────────────────────┐
│ 🤖 MAIN AGENT │ │ 🧠 MEMU BOT │
│ │ │ │
│ Handle user queries & execute tasks │ ◄───► │ Monitor, memorize & proactive intelligence │
├────────────────────────────────────────┤ ├────────────────────────────────────────────────┤
│ │ │ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 1. RECEIVE USER INPUT │ │ │ │ 1. MONITOR INPUT/OUTPUT │ │
│ │ Parse query, understand │ │ ───► │ │ Observe agent interactions │ │
│ │ context and intent │ │ │ │ Track conversation flow │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 2. PLAN & EXECUTE │ │ │ │ 2. MEMORIZE & EXTRACT │ │
│ │ Break down tasks │ │ ◄─── │ │ Store insights, facts, preferences │ │
│ │ Call tools, retrieve data │ │ inject │ │ Extract skills & knowledge │ │
│ │ Generate responses │ │ memory │ │ Update user profile │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 3. RESPOND TO USER │ │ │ │ 3. PREDICT USER INTENT │ │
│ │ Deliver answer/result │ │ ───► │ │ Anticipate next steps │ │
│ │ Continue conversation │ │ │ │ Identify upcoming needs │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 4. LOOP │ │ │ │ 4. RUN PROACTIVE TASKS │ │
│ │ Wait for next user input │ │ ◄─── │ │ Pre-fetch relevant context │ │
│ │ or proactive suggestions │ │ suggest│ │ Prepare recommendations │ │
│ └──────────────────────────────────┘ │ │ │ Update todolist autonomously │ │
│ │ │ └──────────────────────────────────────────┘ │
└────────────────────────────────────────┘ └────────────────────────────────────────────────┘
│ │
└───────────────────────────┬───────────────────────────────┘
▼
┌──────────────────────────────┐
│ CONTINUOUS SYNC LOOP │
│ Agent ◄──► MemU Bot ◄──► DB │
└──────────────────────────────┘
에이전트가 관심사를 모니터링하고 관련 콘텐츠를 프로액티브하게 표시
# 사용자가 AI 주제를 연구하고 있음
MemU 추적: 읽기 기록, 저장한 기사, 검색 쿼리
# 새 콘텐츠가 도착했을 때:
에이전트: "검색 시스템에 대한 최근 연구와 일치하는 RAG 최적화에
대한 3개의 새 논문을 찾았습니다. 이전에 인용한 저자
(Dr. Chen)가 어제 발표했습니다."
# 프로액티브 행동:
- 브라우징 패턴에서 주제 선호도 학습
- 저자/소스 신뢰도 선호도 추적
- 참여 기록을 기반으로 노이즈 필터링
- 최적의 주의를 끌 수 있는 타이밍에 추천에이전트가 커뮤니케이션 패턴을 학습하고 일상적인 통신 처리
# MemU가 시간에 따라 이메일 패턴을 관찰:
- 일반적인 시나리오에 대한 응답 템플릿
- 우선 연락처와 긴급 키워드
- 일정 선호도와 가용 시간
- 글쓰기 스타일과 톤 변화
# 프로액티브 이메일 지원:
에이전트: "12개의 새 이메일이 있습니다. 3개의 일반 요청에 대한
답장을 작성했고, 우선 연락처로부터의 2개 긴급 항목에
플래그를 달았습니다. John이 언급한 충돌에 따라
내일 회의를 재조정할까요?"
# 자율적 작업:
✓ 컨텍스트 인식 답장 초안 작성
✓ 받은 편지함 분류 및 우선순위 지정
✓ 일정 충돌 감지
✓ 주요 결정이 포함된 긴 스레드 요약에이전트가 시장 컨텍스트와 사용자 투자 행동 추적
# MemU가 트레이딩 선호도 학습:
- 과거 결정에서의 위험 허용 범위
- 선호 섹터 및 자산 클래스
- 시장 이벤트에 대한 반응 패턴
- 포트폴리오 리밸런싱 트리거
# 프로액티브 알림:
에이전트: "NVDA가 시간 외 거래에서 5% 하락했습니다. 과거 행동에
기반하여, 일반적으로 3% 이상 기술주 하락 시 매수합니다.
현재 배분으로 70/30 주식-채권 목표를 유지하면서
$2,000 추가 노출이 가능합니다."
# 지속적 모니터링:
- 사용자 정의 임계값과 연결된 가격 알림 추적
- 뉴스 이벤트와 포트폴리오 영향 연관
- 실행된 추천과 무시된 추천에서 학습
- 세금 손실 수확 기회 예측...
MemU의 3계층 시스템은 반응적 쿼리와 프로액티브 컨텍스트 로딩을 모두 지원합니다:
| 계층 | 반응적 사용 | 프로액티브 사용 |
|---|---|---|
| 리소스 | 원본 데이터에 직접 액세스 | 새 패턴의 백그라운드 모니터링 |
| 아이템 | 타겟팅된 팩트 검색 | 진행 중인 상호작용에서 실시간 추출 |
| 카테고리 | 요약 수준 개요 | 예측을 위한 자동 컨텍스트 조합 |
프로액티브 이점:
- 자동 분류: 새로운 메모리가 주제로 자체 조직화
- 패턴 감지: 시스템이 반복되는 테마를 식별
- 컨텍스트 예측: 다음에 필요한 정보를 예측
프로액티브 메모리를 즉시 경험하세요:
👉 memu.so - 7×24 지속 학습을 제공하는 호스팅 서비스
사용자 정의 프로액티브 워크플로우를 포함한 엔터프라이즈 배포는 info@nevamind.ai로 문의하세요
| 기본 URL | https://api.memu.so |
|---|---|
| 인증 | Authorization: Bearer YOUR_API_KEY |
| 메소드 | 엔드포인트 | 설명 |
|---|---|---|
POST |
/api/v3/memory/memorize |
지속 학습 작업 등록 |
GET |
/api/v3/memory/memorize/status/{task_id} |
실시간 처리 상태 확인 |
POST |
/api/v3/memory/categories |
자동 생성된 카테고리 목록 |
POST |
/api/v3/memory/retrieve |
메모리 쿼리 (프로액티브 컨텍스트 로딩 지원) |
pip install -e .요구사항: Python 3.13+ 및 OpenAI API 키
지속 학습 테스트 (인메모리):
export OPENAI_API_KEY=your_api_key
cd tests
python test_inmemory.py영구 저장소로 테스트 (PostgreSQL):
# pgvector가 포함된 PostgreSQL 시작
docker run -d \
--name memu-postgres \
-e POSTGRES_USER=postgres \
-e POSTGRES_PASSWORD=postgres \
-e POSTGRES_DB=memu \
-p 5432:5432 \
pgvector/pgvector:pg16
# 지속 학습 테스트 실행
export OPENAI_API_KEY=your_api_key
cd tests
python test_postgres.py두 예제 모두 프로액티브 메모리 워크플로우를 보여줍니다:
- 지속적 수집: 여러 파일을 순차적으로 처리
- 자동 추출: 즉각적인 메모리 생성
- 프로액티브 검색: 컨텍스트 인식 메모리 표시
구현 세부사항은 tests/test_inmemory.py와 tests/test_postgres.py를 참조하세요.
MemU는 OpenAI 외에도 커스텀 LLM 및 임베딩 제공자를 지원합니다. llm_profiles로 구성:
from memu import MemUService
service = MemUService(
llm_profiles={
# LLM 작업용 기본 프로필
"default": {
"base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"api_key": "your_api_key",
"chat_model": "qwen3-max",
"client_backend": "sdk" # "sdk" 또는 "http"
},
# 임베딩용 별도 프로필
"embedding": {
"base_url": "https://api.voyageai.com/v1",
"api_key": "your_voyage_api_key",
"embed_model": "voyage-3.5-lite"
}
},
# ... 기타 구성
)MemU는 OpenRouter를 모델 제공자로 지원하여 단일 API를 통해 여러 LLM 제공자에 액세스할 수 있습니다.
from memu import MemoryService
service = MemoryService(
llm_profiles={
"default": {
"provider": "openrouter",
"client_backend": "httpx",
"base_url": "https://openrouter.ai",
"api_key": "your_openrouter_api_key",
"chat_model": "anthropic/claude-3.5-sonnet", # 모든 OpenRouter 모델
"embed_model": "openai/text-embedding-3-small", # 임베딩 모델
},
},
database_config={
"metadata_store": {"provider": "inmemory"},
},
)| 변수 | 설명 |
|---|---|
OPENROUTER_API_KEY |
openrouter.ai/keys에서 받은 OpenRouter API 키 |
| 기능 | 상태 | 참고 |
|---|---|---|
| 채팅 완성 | 지원됨 | 모든 OpenRouter 채팅 모델과 작동 |
| 임베딩 | 지원됨 | OpenRouter를 통해 OpenAI 임베딩 모델 사용 |
| 비전 | 지원됨 | 비전 지원 모델 사용 (예: openai/gpt-4o) |
export OPENROUTER_API_KEY=your_api_key
# 전체 워크플로우 테스트 (메모라이즈 + 검색)
python tests/test_openrouter.py
# 임베딩 특화 테스트
python tests/test_openrouter_embedding.py
# 비전 특화 테스트
python tests/test_openrouter_vision.py완전한 작동 예제는 examples/example_4_openrouter_memory.py를 참조하세요.
입력을 실시간으로 처리하고 메모리를 즉시 업데이트:
result = await service.memorize(
resource_url="path/to/file.json", # 파일 경로 또는 URL
modality="conversation", # conversation | document | image | video | audio
user={"user_id": "123"} # 선택: 사용자로 범위 지정
)
# 추출된 메모리를 즉시 반환:
{
"resource": {...}, # 저장된 리소스 메타데이터
"items": [...], # 추출된 메모리 아이템 (즉시 사용 가능)
"categories": [...] # 자동 업데이트된 카테고리 구조
}프로액티브 기능:
- 지연 없는 처리—메모리 즉시 사용 가능
- 수동 태그 지정 없는 자동 분류
- 패턴 감지를 위한 기존 메모리와의 상호 참조
MemU는 프로액티브 컨텍스트 로딩과 반응적 쿼리를 모두 지원:
임베딩을 사용한 빠른 프로액티브 컨텍스트 조합:
- ✅ 즉각적 컨텍스트: 1초 미만의 메모리 표시
- ✅ 백그라운드 모니터링: LLM 비용 없이 지속적으로 실행 가능
- ✅ 유사도 점수: 가장 관련성 높은 메모리를 자동으로 식별
복잡한 컨텍스트를 위한 심층 예측적 추론:
- ✅ 의도 예측: LLM이 사용자가 묻기 전에 필요를 추론
- ✅ 쿼리 진화: 컨텍스트 발전에 따라 검색 자동 개선
- ✅ 조기 종료: 충분한 컨텍스트가 수집되면 중지
| 측면 | RAG (빠른 컨텍스트) | LLM (심층 추론) |
|---|---|---|
| 속도 | ⚡ 밀리초 | 🐢 초 |
| 비용 | 💰 임베딩만 | 💰💰 LLM 추론 |
| 프로액티브 사용 | 지속적 모니터링 | 트리거된 컨텍스트 로딩 |
| 최적 용도 | 실시간 제안 | 복잡한 예측 |
# 컨텍스트 히스토리를 포함한 프로액티브 검색
result = await service.retrieve(
queries=[
{"role": "user", "content": {"text": "그들의 선호도가 무엇입니까?"}},
{"role": "user", "content": {"text": "업무 습관에 대해 알려주세요"}}
],
where={"user_id": "123"}, # 선택: 범위 필터
method="rag" # 또는 "llm"으로 더 깊은 추론
)
# 컨텍스트 인식 결과 반환:
{
"categories": [...], # 관련 주제 영역 (자동 우선순위)
"items": [...], # 구체적인 메모리 팩트
"resources": [...], # 추적 가능한 원본 소스
"next_step_query": "..." # 예측된 후속 컨텍스트
}프로액티브 필터링: where를 사용하여 지속적 모니터링 범위 지정:
where={"user_id": "123"}- 사용자별 컨텍스트where={"agent_id__in": ["1", "2"]}- 다중 에이전트 조정where생략으로 전역 컨텍스트 인식
📚 전체 API 문서는 SERVICE_API.md 참조 - 프로액티브 워크플로우 패턴, 파이프라인 구성, 실시간 업데이트 처리 포함.
명시적인 메모리 명령 없이 모든 상호작용에서 지속적으로 학습:
export OPENAI_API_KEY=your_api_key
python examples/example_1_conversation_memory.py프로액티브 행동:
- 일상적인 언급에서 선호도를 자동으로 추출
- 상호작용 패턴에서 관계 모델 구축
- 향후 대화에서 관련 컨텍스트 표시
- 학습된 선호도에 따라 커뮤니케이션 스타일 적응
최적 용도: 개인 AI 어시스턴트, 기억하는 고객 지원, 소셜 챗봇
실행 로그에서 학습하고 최적화를 프로액티브하게 제안:
export OPENAI_API_KEY=your_api_key
python examples/example_2_skill_extraction.py프로액티브 행동:
- 에이전트 행동과 결과를 지속적으로 모니터링
- 성공과 실패의 패턴 식별
- 경험에서 스킬 가이드 자동 생성
- 유사한 미래 작업에 대한 전략을 프로액티브하게 제안
최적 용도: DevOps 자동화, 에이전트 자기 개선, 지식 캡처
포괄적인 컨텍스트를 위해 다양한 입력 유형의 메모리 통합:
export OPENAI_API_KEY=your_api_key
python examples/example_3_multimodal_memory.py프로액티브 행동:
- 텍스트, 이미지, 문서를 자동으로 상호 참조
- 모달리티 전반에 걸쳐 통합된 이해 구축
- 관련 주제 논의 시 시각적 컨텍스트 표시
- 여러 소스를 결합하여 정보 필요 예측
최적 용도: 문서 시스템, 학습 플랫폼, 연구 어시스턴트
MemU는 모든 추론 작업에서 Locomo 벤치마크에서 92.09% 평균 정확도를 달성하여 신뢰할 수 있는 프로액티브 메모리 작업을 입증합니다.
상세 실험 데이터 보기: memU-experiment
| 리포지토리 | 설명 | 프로액티브 기능 |
|---|---|---|
| memU | 핵심 프로액티브 메모리 엔진 | 7×24 학습 파이프라인, 자동 분류 |
| memU-server | 지속 동기화가 포함된 백엔드 | 실시간 메모리 업데이트, 웹훅 트리거 |
| memU-ui | 시각적 메모리 대시보드 | 라이브 메모리 진화 모니터링 |
빠른 링크:
- 🚀 MemU Cloud 체험
- 📚 API 문서
- 💬 Discord 커뮤니티
커뮤니티의 기여를 환영합니다! 버그 수정, 기능 추가, 문서 개선 등 어떤 도움이든 감사합니다.
MemU에 기여하려면 개발 환경을 설정해야 합니다:
- Python 3.13+
- uv (Python 패키지 관리자)
- Git
# 1. 리포지토리 포크 및 클론
git clone https://github.com/YOUR_USERNAME/memU.git
cd memU
# 2. 개발 의존성 설치
make installmake install 명령은:
uv를 사용하여 가상 환경 생성- 모든 프로젝트 의존성 설치
- 코드 품질 검사를 위한 pre-commit 훅 설정
기여를 제출하기 전에 코드가 모든 품질 검사를 통과하는지 확인하세요:
make checkmake check 명령은:
- 잠금 파일 검증:
pyproject.toml일관성 확인 - Pre-commit 훅: Ruff로 코드 린트, Black으로 포맷
- 타입 검사: 정적 타입 분석을 위한
mypy실행 - 의존성 분석:
deptry로 오래된 의존성 찾기
상세한 기여 가이드라인, 코드 표준 및 개발 관행은 CONTRIBUTING.md를 참조하세요.
빠른 팁:
- 각 기능 또는 버그 수정을 위한 새 브랜치 생성
- 명확한 커밋 메시지 작성
- 새 기능에 대한 테스트 추가
- 필요에 따라 문서 업데이트
- 푸시 전
make check실행
- GitHub Issues: 버그 보고 및 기능 요청
- Discord: 커뮤니티 참여
- X (Twitter): @memU_ai 팔로우
- 연락처: info@nevamind.ai
⭐ GitHub에서 스타를 눌러 새 릴리스 알림을 받으세요!