OpenClaw 메모리 완벽 가이드

당신의 OpenClaw '랍스터'가 메모리를 잃을 때마다, 단순히 돈을 낭비하는 것을 넘어서 큰 골칫거리를 유발합니다.

재시작조차 꺼리게 됩니다.

저, 주얼(Jiu Er)은

에이전트 메모리에 관한 10편 이상의 논문을 검토하고,

총 77,000개의 스타를 보유한 6개의 오픈소스 GitHub 프로젝트를 분석했으며,

지금부터 여러분의 OpenClaw 메모리 고통 지점을 모든 계층에서 낱낱이 파헤치려 합니다.

현황부터 해결책, 학계부터 엔지니어링까지 모두 다룹니다.

I. 냉혹한 현실—당신의 에이전트는 금붕어 기억력

숫자 하나로 시작하겠습니다: 45 시간.

GitHub Issue #5429의 신고자 EmpireCreator는 45시간 분량의 축적된 에이전트 컨텍스트(스킬 설정, 통합 매개변수, 작업 우선순위)를 잃었습니다. 원인은 경고나 복구 옵션 없이 모든 대화 기록을 지워버린 무음 압축(compaction)이었습니다.

이것은 고립된 사례가 아닙니다.

Issue #2624에서는 에이전트가 무작위로 리셋되어 방금 전 두 메시지의 대화를 잊어버리는 현상이 보고되었습니다. Issue #8723에서는 메모리 플러시가 무한 루프를 유발하여 에이전트를 72분 동안 잠궜습니다.

현재 OpenClaw의 메모리 아키텍처는 무엇일까요? 한 문장으로 요약하면: 마크다운 파일(Markdown files) + 벡터 검색(Vector Search).

메모리는 ~/.openclaw/workspace/ 디렉토리 아래 마크다운 파일에 저장됩니다.

일일 로그(Daily Logs)는 단기 로그,

MEMORY.md는 장기 메모리,

SOUL.md는 성격을 정의합니다. 검색은 벡터 임베딩(Vector Embeddings) + BM25 검색의 하이브리드를 사용합니다.

이 설계의 특징은 미디엄(Medium) 블로거가 정확하게 요약한 바 있습니다:

"의도적으로 쿨하지 않음—메모리를 마크다운 파일로 취급하고, 검색을 도구 호출로 취급함."

문제는 어디에 있을까요? 여섯 단어: 평면적(Flat), 무차별적(Indiscriminate), 수동적(Passive).

모든 메모리는 동일한 가중치를 가지며, 1년 전의 잡담이 어제의 중요한 결정과 동등하게 취급됩니다.

망각 메커니즘은? 없습니다. 수동으로 삭제해야 합니다.

자동 정리? 전적으로 수동 큐레이션에 의존합니다.

검색은 의미적 유사성(semantic similarity)만 볼 뿐 중요성(importance)은 고려하지 않으며, "A는 B의 친구다"와 같은 관계를 표현할 수 없습니다.

데이터는 데이터일 뿐, 결코 인지(cognition)가 되지 않습니다.

커뮤니티 트윗이 가장 노골적으로 표현했습니다: "모두가 자기 OpenClaw가 건망증에 걸렸다고 불평한다."

II. 공식 OpenClaw가 하는 일—QMD 백엔드와 하이브리드 검색

공식 팀도 가만히 있지 않습니다.

2026년 1월-2월 릴리스 일정:

v2026.1.12 (1월 13일): 벡터 검색 인프라 출시. SQLite 인덱싱 + 청킹(chunking) + 지연 동기화(lazy sync) + 파일 감시(file watching)를 포함하며, 로컬 및 원격 임베딩을 지원합니다. 이것은 전체 메모리 검색 시스템의 기초입니다.

v2026.1.29 (1월 29일): L2 정규화 수정. 로컬 임베딩 벡터가 정규화되지 않아 코사인 유사도 계산이 왜곡되었습니다. 이 버그는 이전 의미 검색의 정확도에 결함을 의미했습니다. 추가 인덱스 경로 지원이 추가되었습니다.

v2026.2.2 (2월 4일): QMD 메모리 백엔드 병합(PR #3160), 가장 중요한 아키텍처 업그레이드. 30개의 커밋으로, BM25 + 벡터(Vector) + 재순위화(Reranking)라는 3중 하이브리드 검색을 위한 QMD 백엔드 지원이 추가되었습니다.

QMD는 무엇을 했을까요?

내장 SQLite 인덱서를 로컬 검색 사이드카 프로세스로 대체합니다. 각 에이전트/설정 조합은 사이드카를 캐싱하며, 여러 명명된 컬렉션을 지원하고, 세션 기록을 내보내어 전용 컬렉션에 인덱싱할 수 있습니다. 프라이버시를 위해 세션 데이터는 인덱싱 전에 비식별화됩니다. QMD를 사용할 수 없으면 자동으로 SQLite로 폴백(fallback)합니다.

알려진 문제:

CPU 전용 시스템의 쿼리 시간은 약 3분 40초로, 12초 제한 시간을 초과합니다(Issue #8786). paths 설정이 적용되지 않습니다(Issue #8750).

게다가 폴백이 무음으로 이루어져 사용자는 QMD가 작동하지 않는지 알 수 없습니다.

한편, PR #6060은 "발견 가능성(discoverability)" 문제를 해결하려고 시도합니다: OpenClaw의 메모리 시스템은 강력한 기능을 가지고 있지만 사용자가 찾을 수 없습니다. 이 제안은 온보딩 마법사에 "메모리 최적화" 단계를 추가하여 기본적으로 비활성화된 네 가지 숨겨진 기능(사전 압축 메모리 플러시, 하이브리드 검색, 임베딩 캐시, 세션 기록 검색)을 노출합니다.

공식 방향의 핵심 문제: 이것들은 모두 "검색 계층(retrieval layer)" 최적화입니다. 검색이 더 정확하고, 빠르며, 더 발견하기 쉬워집니다.

그러나 메모리 아키텍처의 여섯 가지 근본적인 부재 요소:

망각(Forgetting), 중요성(Importance), 그래프(Graphs), 반성(Reflection), 연대기(Chronology), 승격(Promotion)

어느 것도 해결되지 않았습니다.

III. 커뮤니티가 스스로를 구하는 방법—DIY 솔루션

커뮤니티는 공식 팀을 기다리지 않았습니다. 2026년 1월-2월 동안 최소 7개의 타사 메모리 프로젝트가 등장했습니다.

1. Mem0: 가장 유명한 메모리 계층 SDK. Auto-Recall은 각 응답 전에 관련 메모리를 검색하여 컨텍스트에 주입하고, Auto-Capture는 사실을 추출하여 저장합니다. 세션(Session) + 사용자(User) 이중 계층 메모리를 특징으로 하며, 지연 시간을 91% 감소시키고 토큰을 90% 절약한다고 주장합니다.

1. Hindsight: 로컬 장기 메모리. 핵심 통찰: 전통적인 시스템은 에이전트에게 search_memory 도구를 제공하지만, 모델이 이를 사용하지 않을 수 있습니다. Auto-Recall의 자동 주입이 이 문제를 해결합니다. 완전히 로컬이며 PostgreSQL을 백엔드로 사용하고, 다중 인스턴스 공유를 지원합니다.

1. MoltBrain (365 Stars): SQLite + ChromaDB 의미 검색, 라이프사이클 훅을 통한 자동 컨텍스트 캡처, 타임라인을 볼 수 있는 웹 UI.

1. NOVA Memory System: PostgreSQL 구조화된 메모리. Claude API를 사용하여 자연어를 8개의 데이터베이스 테이블(엔티티, 관계, 위치, 프로젝트, 이벤트, 교훈, 선호도)로 구성된 JSON으로 파싱합니다.

1. Penfield Skill: BM25 + 벡터 + 그래프(Graph)를 사용한 하이브리드 검색—커뮤니티에서 이미 3중 하이브리드 검색을 수행하는 사람이 있습니다.

1. 기타 프로젝트로는 Memory Template(Git 기반), SuperMemory(매우 초기 단계), MemoryPlugin(크로스 플랫폼 동기화용 Chrome 확장 프로그램)이 있습니다.

커뮤니티 "모범 사례"가 확인하는 방향은 무엇일까요?

1. 일일 로그 → MEMORY.md 승격 모델.
2. 메모리 통합 트리거로 Heartbeat 사용.
3. 70/30 하이브리드 검색 가중치(70% 벡터 + 30% 키워드).
4. 세션 기록 인덱싱.

하지만 커뮤니티는 여전히 여섯 가지 사각지대를 건드리지 못했습니다: 망각/감쇠 메커니즘, 중요도 점수, 지식 그래프, 자동 반성/통합, 시간적 추론, 메모리 승격.

요약하면: 커뮤니티는 수동 작업으로 아키텍처 결함을 보완하고 있습니다. 방향은 맞지만, 모두 여전히 수동 수준에 머물러 있습니다.

IV. 학계의 폭발적 성장—2026년 2월 10편 이상의 논문

2026년 2월, 에이전트 메모리는 갑자기 학계의 주요 전장이 되었습니다. arXiv에 10편 이상의 논문이 게재되었으며, 여기에는 xMemory [1] (ICML 2026), A-MEM [2] (NeurIPS 2025)이 포함됩니다. 59명의 저자가 참여한 서베이 논문 [3]은 이 분야를 체계적으로 정리했습니다.

이 논문들이 우리에게 가르쳐주는 것은 무엇일까요?

xMemory [1] (ICML 2026, King's College London): 메모리를 계층적으로 구성된 의미 구성 요소로 분리합니다. 메모리 분할 및 병합을 안내하기 위해 희소성-의미(Sparsity-Semantics) 목표를 사용합니다. 이는 "주제 클러스터링 계층(Topic Clustering Layer)" 설계에 영감을 주었으며, 메모리 위에 주제 계층을 구축하여 하향식 검색을 지원합니다.

A-MEM [2] (NeurIPS 2025): Zettelkasten 방법을 사용하여 에이전트 메모리를 관리합니다. 새로운 메모리가 추가될 때 컨텍스트 설명, 키워드, 태그가 포함된 구조화된 노트를 생성하고, 동적 인덱싱과 링크를 통해 상호 연결된 지식 네트워크를 만듭니다.

InfMem [4]: 긴 문서 추론 문제를 해결합니다. PreThink-Retrieve-Write 프로토콜을 통해 시스템 2(System-2) 스타일의 능동적 메모리 제어를 구현합니다. 32K에서 1M 토큰 QA 벤치마크에서 정확도가 10-12% 향상되었으며, 추론 시간이 3.9배 감소했습니다.

TAME [5]: 중대한 위험을 식별했습니다: "에이전트 메모리 오진화(Agent Memory Misevolution)". 정상적인 작업 반복 중에 메모리가 "독성 지름길(toxic shortcuts)"을 축적할 수 있습니다. 즉, 효율적이지만 안전을 위반하는 전략입니다. 실행자/평가자(Executor/Evaluator) 이중 메모리 프레임워크를 제안했습니다.

ALMA [6]: AI가 자동으로 메모리 설계를 발견할 수 있게 하는 메타 학습 프레임워크. 학습된 설계는 수동 기준선보다 6-13% 더 나은 성능을 보였습니다. 그러나 주목할 점은 메모리 감쇠, 망각 또는 제거 메커니즘이 부족하다는 것입니다.

MemSkill [7]: 메모리 연산을 학습 가능한 "메모리 스킬"로 재구성합니다. 컨트롤러가 스킬을 선택하는 방법을 학습하고, 디자이너가 주기적으로 어려운 사례를 검토하여 스킬 세트를 진화시킵니다.

BudgetMem [8]: 런타임 메모리 프레임워크로, 메모리 처리를 세 가지 예산 계층으로 구조화하고 강화 학습을 사용하여 경량 라우터를 훈련합니다.

59명의 저자 서베이 논문 [3]은 명확한 3차원 분류 체계를 제공합니다:

• 하위 계층(Substrate): 메모리는 어떻게 저장되는가? 벡터, 그래프, 문서?
• 메커니즘(Mechanism): 읽기/쓰기는 어떻게 이루어지는가? 수동 기록인가, 능동적 추론인가?
• 주체(Subject): 누구의 메모리인가? 사용자의 것인가, 에이전트의 것인가, 공유된 것인가?

업계의 두 가지 중요한 경고:

1. 직렬 붕괴(Serial Collapse) [9] (Moonshot AI Kimi K2.5 출신): 에이전트가 메모리를 사용하지 않는 상태로 퇴화합니다. 시스템이 존재하더라도 에이전트가 점차 이를 쿼리하는 것을 "잊을" 수 있습니다.
2. 메모리 오진화(Memory Misevolution) [5] (TAME 출신): 정상적인 반복 중에 독성 지름길이 축적됩니다.

이러한 위험은 다음을 상기시킵니다: 메모리 시스템의 어려움은 구축에 있는 것이 아니라 지속적인 품질 모니터링에 있습니다.

V. 오픈소스 메모리 생태계—6개 프로젝트 분석

학계가 방향을 정의한다면, 오픈소스 커뮤니티는 구현을 검증합니다.

우리는 총 77,000개 이상의 스타를 보유한 6개의 에이전트 메모리 프로젝트를 심층 분석했습니다.

핵심 발견: 이 6개 프로젝트는 세 가지 완전히 다른 메모리 철학을 대표합니다.

1. 상태 계층 우선(State Layer Priority) (mem0, Memori): 메모리 = 상태 관리. 에이전트에게 빠르게 "ChatGPT 메모리" 스타일의 경험을 제공합니다.
2. 지식 계층 우선(Knowledge Layer Priority) (cognee, MemOS): 메모리 = 구조화된 지식. 데이터를 그래프와 다중 지식 베이스로 변환합니다.
3. 학습 계층 우선(Learning Layer Priority) (Hindsight): 메모리 = 학습 과정. 유지/회상/반영(Retain/Recall/Reflect) 작업의 폐쇄 루프.

선택에 따라 시스템 복잡성을 배치할 위치가 결정됩니다: 데이터베이스 스키마(Memori), SDK/제품 계층(mem0), 그래프와 파이프라인(cognee), 시스템 스케줄링(MemOS), 또는 학습과 검색의 융합(Hindsight).

그러나 어떤 단일 프로젝트도 세 가지 계층을 모두 다루지는 않습니다.

VI. 200개 이상의 이슈에서 얻은 교훈—다른 사람들이 겪은 함정

우리는 이 6개 프로젝트의 200개 이상의 이슈를 분석하여 메모리 시스템 구축을 위한 고가치 체크리스트를 추출했습니다.

다섯 가지 공통적인 크로스 프로젝트 문제:

1. 무음 실패(Silent Failure) (6/6 프로젝트): 가장 흔한 문제. 사용자들은 "작동하지 않고 왜 그런지 알려주지 않는다"고 불평합니다. (예: mem0 #2443, Memori #238).
2. 메모리 중복 제거: 모두의 고통 지점. LLM은 종종 중복 콘텐츠를 "모순된" 것으로 판단하여 잘못된 삭제를 초래합니다. (예: mem0 #1674).
3. 신뢰할 수 없는 LLM 판단: LLM이 재진술 중 1인칭 참조를 잃거나 안정적인 JSON을 출력하지 못합니다. (예: MemOS #931, #934).
4. 데이터베이스 연결/마이그레이션: SQLite 연결 누수, Docker 배포 마이그레이션 실패. (예: Memori #189, cognee #2022).
5. 검색 순위 왜곡: 정규화 문제로 거리 0.1과 0.5가 모두 0으로 처리되거나, 검색에 시간 차원이 부족합니다. (예: cognee #2030, MemOS #939).

VII. 게임 AI에서 얻은 통찰—Dwarf Fortress, The Sims, Nemesis System

가장 과소평가된 참고 자료는 학술 논문이 아니라 게임 AI입니다. 게임 개발자들은 수십 년 동안 가상 캐릭터에게 일관된 기억과 안정적인 성격을 부여하는 방법을 연구해 왔습니다.

Dwarf Fortress의 3계층 메모리 아키텍처:

• 단기 메모리(STM): 8개 슬롯의 순환 버퍼 큐. 새로운 기억은 감정 강도(예: 죽음 목격 vs. 약간의 배고픔)에 따라 경쟁합니다.
• 장기 메모리(LTM): 기억이 STM에 충분히 오래 머물고 밀려나지 않으면 승격을 시도합니다. NPC가 "회상"할 때 핵심 기억(Core Memory)이 될 확률은 1:3입니다.
• 핵심 기억(Core Memory): 질적 변화. 승격되면 캐릭터 매개변수를 영구적으로 수정합니다(예: "친척의 죽음 목격" → 불안 +10).

Stanford의 Generative Agents [10] 3차원 검색:

검색 점수 = 최신성(Recency) x 중요성(Importance) x 관련성(Relevance). 최신성은 지수적 감쇠를 사용하고, 중요성은 LLM이 점수를 매기며, 관련성은 코사인 유사도를 사용합니다. 이들의 반성 메커니즘은 사실 회상률을 41%에서 87%로 향상시켰습니다.

The Sims 4 감정 고형화:

자주 반복되는 단기 감정은 영구적인 특성으로 변환됩니다. 장기적인 고독은 "은둔자(Loner)" 특성이 되어 효용 함수 계산을 영구적으로 변경합니다.

Nemesis System의 이벤트 기반 진화:

이벤트 태그는 매개변수 돌연변이를 유발하고, 이는 사회적 네트워크를 통해 전파됩니다. 불에 죽은 오크는 "불에 대한 공포" 또는 "불타는 분노" 특성을 가지고 돌아올 수 있습니다.

이러한 메커니즘은 AI 에이전트 메모리에 직접 매핑됩니다: 컨텍스트 관리를 위한 순환 버퍼, 중요도 점수를 위한 감정 강도, 하찮은 사실에서 성격 특성으로 진화하기 위한 메모리 승격.

VIII. 두 가지 유형의 메모리—사용자 메모리 vs. 에이전트 메모리

자주 간과되는 구분: 사용자 메모리(User memory)와 에이전트 메모리(Agent memory)는 서로 다른 두 가지 문제입니다.

ByteDance의 OpenViking 프로젝트는 실용적인 분류를 제공합니다:

• 6개 범주 (프로필, 선호도, 엔티티, 이벤트, 사례, 패턴).
• L0/L1/L2 콘텐츠 모델: L0 요약(~100 토큰)은 인덱싱용, L1 개요(~500 토큰)는 구조용, L2 전체 텍스트는 완전한 콘텐츠용. 이는 토큰 소비를 대폭 줄입니다.

IX. 개인에서 AI 생태계로—메모리가 핵심 인프라인 이유

메모리 문제를 먼저 해결하는 사람이 24/7 에이전트 전쟁에서 승리합니다. OpenClaw의 핵심 가치는 AI가 "더 똑똑해진" 것이 아니라, 마침내 "손과 발"을 가지게 되었다는 점입니다.

그러나 손과 발은 있지만 기억이 없는 AI는 매일 모든 것을 잊어버려 지속적인 재교육과 같은 실수 반복이 필요한 직원과 같습니다.

이전 보고서에서 언급했듯이, 모든 LLM 기반 에이전트는 메모리 문제에 직면합니다. 이것은 OpenClaw 버그가 아니라 기술 스택의 구조적 한계입니다. 컨텍스트 창은 본질적으로 "단기 기억"입니다: 오버플로는 잘림(truncation)으로 이어지고, 재시작은 초기화로 이어집니다.

https://x.com/li9292/status/2023355272542998796

2026년 2월 학계의 집중, 오픈소스의 폭발, 공식 업그레이드의 수렴은 AI 메모리가 "있으면 좋은 것"에서 핵심 인프라로 이동하고 있음을 시사합니다.

X. 우리가 구축하는 것—memX와 ePro 로드맵

이 연구를 바탕으로 우리는 두 가지 시스템을 구축하고 있습니다: memX (사용자 메모리)와 ePro (에이전트 메모리). 이미 운영 중이며 반복 개선 중입니다. 여러분의 피드백을 기다립니다!

참고 문헌은 이 요약에서 생략되었지만 전체 보고서에 포함되어 있습니다.

이 보고서는 2026년 2월 23일 데이터 스냅샷을 기반으로 합니다. Li Jiu Er가 Claude Max, Manus 및 Google Gemini와 협력하여 작성했습니다.