AI 에이전트 메모리, 무거운 지식그래프 대신 마크다운 위키로 충분하다는 실험기
작성자는 Cognee, , Neo4j 기반 도구 세 가지를 직접 분석했다. 이들은 모두 온톨로지 정의, LLM 추출 파이프라인, 중복 제거 등을 포함하는 무거운 지식그래프() 구조로 수렴해 있었다. 개인용으로 쓰기에는 설정이 너무 무겁고, 여러 시스템이 서로 단절되며, 데이터가 특정 서비스에 갇히는 문제가 있어 실용성이 떨어진다고 판단했다.
그래서 결국 , Readwise, 에 저장한 마크다운 파일과 프로젝트별 LLM 위키를 장기 메모리로 계속 쓰기로 했다 — 별도 인프라 없이도 지식그래프와 비슷한 경험을 낼 수 있다는 것이다. 다만 지식그래프 구조 자체의 장점은 인정해서, 같은 아키텍처를 , VoyageAI, 로 재구성한 데이터 마이닝 도구도 만들었는데, 이번에는 범위를 아주 좁은 특정 문제와 온톨로지 영역으로 한정해 지식그래프 특유의 노이즈를 피했다.
핵심 포인트
- Cognee, , Neo4j 기반 메모리 도구를 해 비교 분석함
- 세 도구 모두 온톨로지+LLM 추출+중복 제거를 갖춘 무거운 지식그래프 구조로 수렴
- 개인/소규모 용도에는 설정 부담, 데이터 종속(lock-in), 낮은 실효 가치 때문에 과함(overkill)이라 판단
- ·Readwise·의 마크다운 파일 + 프로젝트별 LLM 위키를 장기 메모리로 계속 사용 중
- 좁은 문제 영역에는 같은 그래프 아키텍처를 ·VoyageAI·로 재구성해 노이즈를 줄여 적용