오프라인 우선의 워크스페이스 메모리 v2: AI 기억 관리의 새로운 접근법

AI와 대화하다 보면 어제 결정한 내용을 기억하지 못하거나, 여러 프로젝트의 맥락을 혼동해서 답답할 때가 있죠. 사람이 읽기 좋은 일기 형식의 기록과 AI가 빠르게 찾아볼 수 있는 구조화된 데이터 사이에서 균형을 잡는 일은 꽤 까다로운 문제입니다.

이 글에서는 Markdown 파일을 신뢰할 수 있는 유일한 소스(Source of Truth)로 유지하면서도, 검색과 개체 요약 기능을 강화한 오프라인 우선의 메모리 아키텍처를 살펴보려고 해요.

필요한 것

OpenClaw 워크스페이스 경로 (~/.openclaw/workspace)
SQLite (FTS5 지원 포함)
Git (데이터 보존 및 이력 확인용)
(선택 사항) Ollama 등 로컬 Embedding 모델

빠른 시작

5분 안에 오프라인 메모리 구조를 설정하고 시작하는 방법이에요.

1. 워크스페이스 디렉토리 구조 설정

먼저 Markdown 기반의 저장소 구조를 만드세요. bank/ 디렉토리는 AI가 성찰(Reflection) 과정을 통해 정리한 핵심 정보를 담게 됩니다.

~/.openclaw/workspace/
  memory.md                    # 핵심 사실 및 사용자 선호도 (Core)
  memory/
    YYYY-MM-DD.md              # 일일 로그 (기록용)
  bank/                        # 유형별 메모리 페이지
    world.md                   # 세상에 대한 객관적 사실
    experience.md              # 에이전트의 활동 기록
    opinions.md                # 주관적 판단 및 신뢰도 데이터
    entities/                  # 개체별 상세 페이지 (예: Peter.md)

2. 일일 로그에 `## Retain` 섹션 추가

매일 작성하는 로그 끝에 AI가 기억해야 할 핵심 정보를 요약해서 적어주세요. 이 방식은 AI가 나중에 정보를 추출할 때 품질을 높여주는 가장 쉬운 방법이에요.

## Retain
- W @Peter: 현재 Andy의 생일을 위해 마라케시에 머무는 중 (2025년 11월 27일~12월 1일).
- B @warelay: try/catch 문으로 connection.update 핸들러를 감싸서 Baileys WS 크래시 문제를 해결함.
- O(c=0.95) @Peter: WhatsApp에서는 1500자 미만의 짧은 답변을 선호하며, 긴 내용은 파일로 받기를 원함.

3. SQLite 인덱스 생성

Markdown 파일의 내용을 바탕으로 기계가 빠르게 읽을 수 있는 인덱스를 생성합니다. 이 인덱스는 언제든 Markdown 파일로부터 다시 빌드할 수 있어요.

-- ~/.openclaw/workspace/.memory/index.sqlite
-- 팩트, 개체 링크, 의견 메타데이터를 위한 스키마 예시
CREATE VIRTUAL TABLE memory_fts USING fts5(content, entities, source);

4. CLI를 통한 메모리 호출 및 성찰

OpenClaw CLI를 사용해 AI가 도구 호출 방식으로 메모리를 검색하거나 업데이트하게 합니다.

# 특정 기간 동안의 기억 검색
openclaw memory recall "Peter의 선호도" --k 25 --since 30d

# 최근 기록을 바탕으로 개체 페이지 업데이트
openclaw memory reflect --since 7d

문제 해결

검색 결과의 정확도가 떨어지나요?
- 일일 로그 작성 시 ## Retain 섹션에 narrative하고 자기 완결적인 문장으로 기록했는지 확인해 보세요. 문맥이 생략된 짧은 구절보다 독립적인 문장이 검색 효율이 훨씬 높아요.
검색 속도가 너무 느린가요?
- 데이터가 수십만 개 단위로 커지기 전까지는 SQLite FTS5만으로도 충분히 빠릅니다. 처음부터 SuCo나 HNSW 같은 복잡한 벡터 검색 알고리즘을 도입하기보다는, 먼저 텍스트 기반 인덱싱을 최적화하는 것을 추천해요.
오프라인 Embedding 모델이 필요한가요?
- 기본적인 키워드 검색은 SQLite FTS5로 충분해요. 하지만 의미론적 검색이 꼭 필요하다면 이미 설치된 Ollama 같은 로컬 도구를 활용해 Embedding을 생성할 수 있습니다.
의견 충돌이 발생하나요?
- bank/opinions.md에서 각 의견의 신뢰도(c 값)를 확인하세요. 새로운 증거가 쌓일 때마다 신뢰도를 조금씩 업데이트하고, 큰 폭의 변화가 있을 때는 명확한 반증이 있는지 체크해야 합니다.

더 자세한 설정 방법이 궁금하다면 AI Setup Assistant에서 도움을 받아보세요.

다음 단계

OpenClaw Expert

아직 막혀 있나요?

이 문서에서 답을 못 찾았다면 OpenClaw Expert에게 바로 물어보세요.