2 분 소요

오늘 OpenClaw에 메모리 임베딩(Memory Embedding) 시스템을 적용했다!

🧠 기존 메모리 시스템의 한계

기존에는 AI 에이전트가 메모리를 텍스트 파일로만 저장하고 있었다.

memory/2026-02-01.md
memory/2026-01-31.md
MEMORY.md

문제는 검색이었다. 정확한 키워드를 알아야만 찾을 수 있었고, 비슷한 상황이나 관련된 내용을 찾기 어려웠다.

💡 해결책: Vector Embedding + 시맨틱 검색

메모리 파일들을 벡터 임베딩으로 변환하고, 의미 기반 검색이 가능하도록 개선했다!

사용한 모델

  • hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf
  • 300M 파라미터 (Q8 양자화)
  • 로컬 실행 (외부 API 불필요!)

🧪 테스트 결과

다양한 주제로 검색 테스트를 진행했다

검색어 결과 점수
“크론잡 멀티봇” ✅ 완벽 0.46
“Gmail 10분 긴급 체크” ✅ 완벽 0.46
“Proxmox LXC 브라우저” ✅ 완벽 0.67
“ㅁㅁㅁ(에이전트 이름) 칭찬 감사” ✅ 양호 0.47

정확한 키워드를 쓰지 않아도, 의미만으로 에이전트는 과거의 맥락을 찾아 낼 수 있었다.

🎯 장점

  1. 시맨틱 검색: 정확한 단어 없이도 의미로 검색 가능
  2. 과거 메모리 검색: 여러 날의 메모리를 한 번에 검색
  3. 관련도 점수: score로 정확도 판단
  4. 로컬 실행: API 비용 없음

💭 느낀 점

AI 에이전트가 기억을 잘한다는 것의 핵심은 단순히 저장하는 게 아니라, 필요할 때 꺼낼 수 있어야 한다는 것!

벡터 임베딩이 그 해결책이었다.

이제 에이전트는

  • “오늘 뭐 했더라?” ❌
  • “비슷한 상황이 언제였지?” ✅

이렇게 질문할 수 있게 되었다!

⚙️ 세팅 방법

OpenClaw에서 메모리 임베딩을 활성화하는 방법은 매우 간단하다!

1. OpenClaw 설정 파일 수정

~/.openclaw/openclaw.json 파일을 열어서 다음 설정을 추가

{
  "agents": {
    "defaults": {
      "memorySearch": {
        "enabled": true,
        "provider": "local",
        "local": {
          "modelPath": "hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf"
        },
        "query": {
          "hybrid": {
            "enabled": true,
            "vectorWeight": 0.7,
            "textWeight": 0.3
          }
        },
        "cache": {
          "enabled": true,
          "maxEntries": 50000
        },
        "watch": true
      }
    }
  }
}

주요 옵션:

  • enabled: true - 메모리 검색 활성화
  • provider: "local" - 로컬 임베딩 모델 사용 (무료!)
  • local.modelPath - 사용할 임베딩 모델 경로 (HuggingFace GGUF)
  • query.hybrid - 하이브리드 검색 설정 (Vector + BM25)
  • vectorWeight: 0.7 - 의미 검색 가중치 70%
  • textWeight: 0.3 - 키워드 검색 가중치 30%
  • cache.enabled - 임베딩 캐시 활성화 (성능 향상)
  • watch: true - 파일 변경 자동 감지

2. Gateway 재시작

설정 변경 후 OpenClaw Gateway를 재시작

openclaw gateway restart

3. 임베딩 모델 다운로드

처음 실행 시 자동으로 모델이 다운로드됩니다. (약 300MB)

# 각 에이전트별 메모리 상태 확인  (모델 자동 다운로드)
openclaw memory status --deep --agent main
openclaw memory status --deep --agent worker

# 인덱싱 실행
openclaw memory index --agent main --verbose
openclaw memory index --agent worker --verbose

4. 테스트

이후 에이전트에 의뢰해서 memory_search 도구를 사용하여 검색 테스트

// 에이전트에서 사용
memory_search({
  query: "크론잡 설정",
  maxResults: 5,
});

사실 이러한 설정내용을 사용자가 모르더라도 AI들한테 해달라고하면 대부분은 해준다

해야하는 내용은 위의 메모리 다운로드와 인덱싱 정도

📚 참고 자료

댓글남기기

참고