Vector Memory와 Retrieval

~30 min · vector, rag, embeddings

Level 0Observer

0 XP0/40 lessons0/12 achievements

0/100 XP to next level100 XP to go0% complete

Similarity만으로 memory가 되진 않아

vector search는 의미가 비슷한 텍스트를 찾아줘. 유용하지. 하지만 그 자체가 기억은 아니야. memory system에는 ingestion rule, metadata, freshness, conflict handling, 삭제/아카이브 정책이 필요해.

agent용 RAG는 retrieval을 거대한 자동 context dump가 아니라 observation tool로 다룰 때 가장 잘 돌아간다.

metadata와 함께 retrieve해

각 chunk에 source, timestamp, author, confidence, scope를 같이 저장해. memory끼리 충돌할 때 모델이 어느 쪽이 이겨야 하는지 판단하려면 이 field들이 필요하다.

chunking도 중요해. chunk는 정확히 retrieve될 만큼 작고, 의미를 보존할 만큼 커야 해. 500 token마다 자르는 건 시작점이지 법이 아니야.

Code

Vector memory record·json

{"id":"mem_2026_05_03_001","text":"User prefers concise Korean status updates during long coding tasks.","metadata":{"source":"chat","created_at":"2026-05-03","confidence":0.9,"scope":"communication"}}

External links

Exercise

agent의 long-term memory가 가져야 할 metadata field 세 개를 쓰고 이유를 설명해.

Hint

source와 timestamp는 거의 항상 필수야.

Progress

Progress is local-only — sign in to sync across devices.

← PreviousMemory Architecture: Episodic, Semantic, Procedural Next →Structured Memory: Facts, Preferences, Procedures

이 페이지에서 버그를 발견하셨거나 피드백이 있으세요?문제 신고

🔔 답글 알림 (로그인 필요)

로그인 — 댓글을 남기려면 로그인해 주세요.

아직 댓글이 없어요. 첫 댓글을 남겨보세요.