---

Lemory는 AI 에이전트를 위한 로컬 장기기억 엔진이에요. Claude Code,
Claude Desktop, Cursor, 직접 만든 에이전트가 매 세션 낯선 사람으로 시작하지
않게 해요. 세션이 남긴 기억은 전부 내 소유의 마크다운 파일이고, 마크다운
노트가 이미 있다면(옵시디언이든 그냥 폴더든) 그게 곧바로 기억이 돼요.

• 기억 피라미드가 있어요. 대화(L0) → 사실 아톰(L1) → 장면 서사(L2) →
  페르소나(L3)로 승격되는 4층 구조예요. 세션이 시작되면 페르소나와 장면
  지도부터 주입되고, 세부는 필요할 때만 드릴다운해요. 토큰은 아끼고 맥락은
  안 잃어요.
• 에이전트가 기억을 꺼내요. 의미 검색 + 한국어에 강한 키워드 검색 +
  [[위키링크]] 그래프를 합친 하이브리드 검색이에요. 돌릴 수 있는 경쟁
  제품은 전부 같은 조건에서 측정했고, 지는 항목도 그대로 공개해요.
• 에이전트가 기억을 남겨요. remember(타입 있는 파편) → recall →
  reflect(세션 마무리) → consolidate(피라미드 승격) 루프예요. 전부 볼트
  안의 평범한 .md 노트라 옵시디언에서 보이고, 깃으로 관리되고, rm 한
  번이면 지워져요. 계정도, 파편 쿼터도, 이사 비용도 없어요.
• 뭐가 오갔는지 다 보여요. 대시보드에 모든 질의, AI가 쓴 모든
  노트(클릭 한 번으로 되돌리기), 클라이언트별 사용량이 남아요. 전부 내
  컴퓨터의 SQLite 파일 하나예요.

Lemory를 "거쳐야만" 하는 건 아무것도 없어요. 볼트는 그냥 파일이에요.
늘 하던 대로 노트를 쓰면(옵시디언이든, 아무 편집기든) 워처가 1초 안에
색인해요. save_memory와 lemory remember는 AI가 쓸 때 출처 표시,
중복 검사, 되돌리기 버튼을 붙이기 위한 통로일 뿐이에요. 문지기가 아니라
손님용 입구예요.

요즘 메모리 제품들은 내 지식을 자기들 데이터베이스에 넣고 싶어 해요.
저희 생각은 달라요. 내가 이미 가진 파일이 더 좋은 데이터베이스이고, 그래서
정확도가 떨어지지 않는다는 걸 벤치마크로 증명하는 데 시간을 썼어요.
측정해 보니 오히려 반대였어요.

증거부터 보여드릴게요

모든 수치는 커밋된 코드와 공개 데이터로 다시 만들 수 있어요. 방법, 지는
항목, 아직 못 푼 문제까지 BENCHMARKS.md에 있어요.

같은 질문을 실제 도구 3개에 던져봤어요

같은 볼트에서 tobi/qmd와 MemPalace를 실제로
돌린 장면이에요. qmd는 키워드를 전부 포함해야만 찾는 방식(AND)이라 한국어
자연어 질문에 0건이 나와요. MemPalace는 영어 위주 임베더라 한국어 키워드
경로가 없어요. Lemory는 정답 노트를 1위로, 0.1초에, LLM 호출 없이 찾아요.

qmd가 로컬 LLM을 총동원해도(질의 확장 + 리랭크) 같은 329문항에서 Lemory의
LLM 없는 검색보다 낮아요. 그러면서 질문 하나에 59.5초가 걸려요:

깃허브 스타가 가장 많은 메모리 레이어 mem0와도 같은 데이터, 같은 모델로
끝까지 비교했어요:

명령 한 줄이면 시작돼요

pipx install "git+https://github.com/jwgo/lemory"
lemory up ~/Obsidian/MyVault     # 설정 → 색인 → 대시보드까지 한 번에
lemory ask "요새 내가 하던 그 프로젝트 어디까지 했지?"

입구는 lemory up 하나예요. 알아서 최적 모드를 골라요. Gemini 키가 있으면
클라우드로, 없으면 기본 탑재된 온디바이스 스택(한국어 특화
e5-small-ko-v2 임베딩 + Gemma 4 답변)으로 돌아요. 키도, 데몬도, 설정도
필요 없어요. 그냥 lemory up만 치면 볼트 위치를 물어봐요. 모델과 검색
설정은 대시보드 설정 탭에서 바꿔요.

그다음엔 lemory daemon start 한 줄로 켜두세요 (터미널 닫아도 유지 ·
status/logs/stop으로 관리, 죽은 pidfile 자동 정리). 포그라운드가
좋으면 lemory serve도 그대로예요. 옵시디언 플러그인, Claude/MCP,
웹 대시보드가 전부 여기에 붙고, 노트를 고치면 몇 초 안에 다시 색인돼요.
lemory ask "..." 한 줄은 서버 없이도 돼요. 언제 켜두고 언제 재색인하는지는
가이드에 있어요.

색인할 때 LLM이 아예 안 돌아요. 노트 1,000개 색인 = LLM 호출 0회,
몇 초면 검색이 돼요. 노트 54개에 LLM 그래프 만드느라 45분씩 쓰는 제품들과
비교하면요:

처음이라면 여기부터: docs/GUIDE.ko.md · 매일 쓰는 법:
docs/ROUTINE.ko.md (English: docs/GUIDE.md)

어떤 AI에게든 기억을 줄 수 있어요

claude mcp add lemory -- lemory mcp --vault ~/Obsidian/MyVault --client claude-desktop
lemory skill install claude-code    # 잘 쓰는 법까지 가르치기

클라이언트	설정
Claude Code / Desktop	claude mcp add lemory -- lemory mcp --vault <vault> --client claude-code
Cursor	.cursor/mcp.json에 추가: {"lemory": {"command": "lemory", "args": ["mcp", "--vault", "<vault>", "--client", "cursor"]}}
Windsurf / VS Code / Codex CLI / 다른 MCP 클라이언트	같은 명령: lemory mcp --vault <vault> --client <name>
스크립트 / 직접 만든 에이전트	REST + X-Lemory-Client 헤더 (아래 참고)

--client에 적은 이름이 대시보드 사용량에 그대로 떠요. 누가 내 기억을
읽고 쓰는지 항상 알 수 있어요.

툴은 19개예요. 읽기: search_notes · ask_notes · recent_notes ·
read_note · list_notes · related_notes · suggest_links(아직 연결
안 된 언급을 문장 증거와 함께 링크로 제안) · vault_status ·
vault_context(페르소나·장면 지도·고정 앵커·열린 케이스·최근 활동을 한 번에,
LLM 없이 수 ms). 쓰기: save_memory(저장하면서 중복 검사와 관련 노트
연결까지) · append_note(덮어쓰기 불가, 볼트 밖으로 못 나감). 그리고 아래
에이전트 작업 기억 8개.

에이전트 작업 기억: remember → recall → reflect → resume

에이전트가 매번 처음부터 다시 시작하지 않게 하는 6개예요. 기억 파편은 타입이
있고(fact·decision·error·preference·procedure·relation·episode),
세션보다 오래 사는 작업 스레드인 case에 묶여요.

툴	하는 일
remember	타입 있는 파편 하나 저장 (error는 해결 표시 전까지 open으로 태어나요)
recall	종류·케이스·주제·상태·최근성으로 좁혀서 회상 · 좁히는 건 후보 선정이고 순위는 여전히 하이브리드 검색이 매겨요
reflect	세션 마무리: 요약·결정·해결한 오류·다음 단계를 episode 노트 하나로, 건드린 노트와 [[위키링크]]로 이어서
resume_case	스레드 복원: 타임라인, 지금까지의 결정, 아직 안 풀린 오류, 직전 세션이 적어둔 다음 단계
list_cases	"내가 뭐 하다 말았지?"
anchor_note	노트를 코어 기억으로 고정 · 이후 모든 세션의 vault_context 맨 위에 주입돼요
consolidate_memory	피라미드 승격: 새 기억을 장면 노트와 페르소나에 녹여요 (아래)
extract_skills	완결된 케이스에서 재사용 SKILL 문서 추출 · 게이트를 못 넘으면 아무것도 안 써요 (그게 정답인 경우가 대부분)

CLI에서도 같은 루프가 돌아요:

lemory remember "포트 8080이 이미 점유되어 서버가 안 뜬다" --type error --case 배포
lemory recall 포트 --type error      # 좁혀서 회상
lemory cases                          # 미해결 개수까지 붙은 스레드 목록
lemory case 배포                      # 스레드 재개
lemory anchor "memories/언어 선호.md"  # 코어 기억으로 고정
lemory consolidate                    # L1 아톰 → L2 장면 → L3 페르소나 승격

기억 피라미드: 대화 → 아톰 → 장면 → 페르소나

TencentDB Agent Memory(11.3k★)가 검증한 4층 구조를 볼트 위에서 돌려요.
세션 기록(L0)에서 증류된 사실(L1)이 장면 노트(장면/*.md · 맥락별 살아
있는 서사, 개수 상한이 있어 새 파일 대신 통합이 기본)와 페르소나
노트(페르소나.md · 2000자 캡, 점진 갱신)로 올라가요. 세션이 시작되면
vault_context가 페르소나와 장면 지도를 먼저 내밀고, 장면 본문은
read_note로, 원본은 검색으로 필요할 때만 파요. 서버를 켜두면
auto_consolidate = true 한 줄로 승격이 자동이 돼요 · 새 기억이 몇 분
조용해지면 알아서 장면·페르소나로 올라가요(설정 탭 토글).

실측했어요(RoleMemQA 8관계×30세션, 재현: benchmarks/run_pyramid.py):
항상 주입되는 부트 컨텍스트가 1,345토큰 · 원문 덤프(65,602토큰)의
1/48.8인데 페르소나 사실 질문의 34.7%가 그 안에서 바로 답혀요. 장면
하나만 드릴하면 66.7% @ 2,084토큰, 나머지는 검색층이 100%로 받아요. 그쪽
발표치(PersonaMem +59%)는 리포에 하네스가 없어 재현이 불가능해요 · 우리
수치는 전부 스크립트 하나로 다시 나와요.

그쪽과의 차이는 밑단이에요. 그쪽 증류는 OpenAI 호환 API가 필수지만
(그쪽 "로컬 모드"도 원격 모델 호출이에요), lemory consolidate는 LLM이
있으면 서사를 쓰고 없으면 결정적 폴백으로 구조화 다이제스트를 써요 ·
완전 오프라인에서도 피라미드가 살아 있어요. 그리고 장면·페르소나가 평범한
볼트 노트라서 하이브리드 검색과 링크 그래프에 그대로 잡혀요. 소스 레벨
분석과 정면 비교는 docs/COMPETITIVE.md에 있어요.

MCP를 못 쓰는 클라이언트도: 메모리 프록시

lemory serve가 OpenAI 호환 /v1/chat/completions 를 함께 열어요.
baseURL만 바꾸면 어떤 SDK·스크립트·IDE 플러그인이든 기억이 생겨요:

from openai import OpenAI
client = OpenAI(base_url="http://127.0.0.1:8377/v1", api_key="unused-locally")
r = client.chat.completions.create(model="gpt-4o-mini",
    messages=[{"role": "user", "content": "우리 배포 포트가 몇 번이었지?"}])
# → "현재 배포 포트는 15000으로 설정되어 있습니다. 사내 프록시가 쓰는
#    8080과의 충돌을 피하기 위해서…"  (볼트 기억으로 근거 있는 답)

요청이 지나갈 때 피라미드 부트(페르소나+장면 지도)와 그 턴의 관련 기억이
시스템 메시지로 주입되고, 응답이 돌아오면 대화가 chats/proxy/ 세션
노트로 저장돼요(proxy_capture = false로 끔) · 다음 consolidate가 그걸
피라미드로 올려요. 읽기와 쓰기가 모두 공짜로 붙어요. 스트리밍은 그대로
통과하고, 업스트림 키는 설정에서만 읽어요(클라이언트 Authorization은
전달하지 않아요 · 로컬 포트가 새어도 과금 키는 안 새요). 업스트림은
proxy_upstream으로 바꿔요 · 기본 OpenAI지만 OpenAI 호환이면 뭐든 돼요.
Ollama(http://localhost:11434/v1)를 가리키면 모델까지 포함해 완전
로컬인 메모리 프록시가 돼요.

핵심은 파편의 정체예요. 남의 Postgres 안 row가 아니라 내 볼트의 마크다운
노트예요. 쓰는 즉시 옵시디언에 뜨고, 손으로 고치고, 깃 diff가 나고, 나머지
노트와 같은 인덱스·같은 링크 그래프에 살아요 · reflect가 만든 에피소드는
인용한 노트와 이어진 진짜 그래프 노드예요. 계정도 파편 한도도 없어요. 상한은
디스크예요. 타입 층은 좁힐 뿐 저장소를 쪼개지 않아서 search_notes는 여전히
전부 봐요.

파편 메타데이터는 평범한 frontmatter라서 스코핑이 어디서나 통해요 · CLI든,
웹 검색창이든, search_notes든 type:error case:배포.

세션 기억은 자동으로 남겨요 (명령 하나)

lemory hooks install claude-code

이제 Claude Code 세션이 끝날 때마다 기억할 만한 결정·사실·미결 사항이
날짜 붙은 노트 하나로 볼트에 저장돼요. 부지런할 필요가 없어요. 다른
훅 기반 도구들과 달리, 저장된 건 전부 대시보드 피드에 출처와 되돌리기
버튼과 함께 떠요. 수동으로 관리하고 싶다면 CLAUDE.md에 이렇게 적어도
돼요:

세션 시작 시 lemory의 vault_context를 한 번 불러 상황을 파악해라. 결정이나
기억할 사실, 선호가 정해지면 save_memory로 저장해라(간결하게, 노트당 기억
하나). 내 노트가 이미 답하는 것은 나에게 묻기 전에 search_notes로 검색해라.

프라이버시는 파일 속성이에요. 노트 맨 위에 lemory: false 한 줄만
적으면 그 노트는 색인도, 검색도, 어떤 모델로도 전송되지 않아요. 이미
색인됐던 노트라면 이 한 줄이 빼줘요.

한 번 말하면, 기억해요

비서는 대화하면서 읽고 써요. "…라고 기억해줘"라고 말하면 그 자리에서
노트로 저장돼요(승인제를 켰다면 대기열로 가요). "그건 언제였지?" 같은 후속
질문은 앞 질문과 묶어서 찾아요. 첫 대화엔 볼트 상황 요약이 자동으로
들어가고, /검색 /기억 /최근 명령도 쓸 수 있어요.

비서와 나눈 대화는 chats/ 폴더에 날짜 붙은 노트로 자동 저장돼요.
열어보고, 고치고, 지울 수 있는 평범한 마크다운 파일이에요. 그 투명함이
곧 되돌리기 버튼이에요. 한 달 뒤에 "내 여동생 이름 뭐랬지?"라고 물으면
출처와 함께 수 ms 만에 돌아와요. 위에 얹을 수 있는 선택 기능 두 가지:

• lemory distill: 원할 때만 돌리는 후처리예요. 온디바이스 Gemma가
  대화를 팩트 요약 노트로 정리하고 출처를 [[위키링크]]로 남겨요. 지저분한
  채팅 벤치 실측으로 1위 정답 존재율 +3.1%p. 한계까지
  BENCHMARKS §7e에 있어요.
• 스킬(lemory skill install)은 외부 어시스턴트에게 같은 습관을
  가르쳐요. 세션이 끝나기 전에 lemory remember로 저장하라고요.

업무 비서 쪽도 따로 측정했어요. AgentMemQA(§7f)는
12주치 업무 세션(영한 혼용 기술 대화, 코드블록, 에러 로그)에 "번복된
결정" 함정을 심은 벤치마크예요. 키 없이 doc@1 0.978, 번복 함정에 속은
비율 0. 반대 발견도 그대로 적었어요. 리랭커(재정렬 AI)는 시간 개념이
없어서 갱신된 사실을 옛 값으로 되돌려요(0.80→0.50). 시간 보정을 붙여도
안 됐고요. 그래서 기본으로 꺼져 있어요.

지저분한 실전 채팅도 가정이 아니라 측정이에요. RoleMemQA-messy가
번복·농담·잡담 오염을 심었고, 전체 doc@8 0.977 · 에피소드 회상 doc@8
0.875(정보량 prior 전 0.792). 에피소드 질문("우리 약속이 뭐였지?")은
어휘 변별력이 0이라, 그런 질문에서만 벡터 레그를 희소 내용 정보량으로
재정렬해 필러("기억해 둘게, 약속!")가 아니라 진짜 팩트를 올려요. 참조형
질문(KorQuAD·AgentMemQA)엔 게이트가 안 걸려 수치가 그대로예요. 개선/후퇴
내역 전체가 §7e에 있어요.

로그 파일이 아니라 두 번째 뇌예요

사람이 쓴 노트에는 아래 장치가 하나도 필요 없어요. 파일을 볼트에 넣으면
다음 질문부터 바로 검색돼요. 아래 기능들은 기계가 쓰는 노트를 위한
거예요.

• save_memory는 정리하면서 저장해요. 새 기억이 들어올 때마다 볼트가
  이미 아는 것과 비교해요. 거의 같으면 possible_duplicate_of:로 표시하고,
  관련 있으면 related: 위키링크로 이어요. 지우고 다시 쓰는 방식(mem0식)
  대신, 연결만 하고 결정은 당신에게 남겨요.
• lemory suggest-links: 서로를 언급하는데 연결은 안 된 노트들을
  근거 문장과 함께 알려줘요. LLM 없이, 색인이 이미 만든 그래프를 읽을
  뿐이에요.
• lemory graph: 볼트 전체를 인터랙티브 HTML 한 장으로 내보내요.
  노트 1,469개, 간선 24,850개가 약 1초. 요즘 그래프 도구들은 같은 걸
  만드는 데 파일마다 LLM을 돌려요.
• lemory drift: "내 기억이 아직 현실과 맞나?"를 확인해요. 깨진
  링크, 사라진 파일, 방치된 중복 표시를 찾고, --prompt를 붙이면
  에이전트한테 그대로 넘길 수리 지시문으로 만들어줘요. 토큰 0개.
  (이 아이디어를 개척한 mex에
  고마움을 전해요.)
• lemory conflicts: "내 기억끼리 서로 맞나?"를 확인해요. 거의 같은
  말인데 숫자가 다르거나, 서로 부정하거나, 아예 중복인 노트 쌍을 찾아요.
  이미 있는 색인 위에서 코사인으로 찾으니 LLM 0회. (drift가 기억 대
  현실이라면 conflicts는 기억 대 기억이에요.)
• lemory search --fast: 즉답 경로예요. 임베딩 없이 키워드 검색 +
  오타 교정 + 제목/최신성 부스트만으로 3.8ms에 recall@1 0.975
  (하이브리드는 21ms에 0.967이에요. 말 바꿔 묻기, 다른 언어, 멀티홉엔
  벡터가 필요해서 기본은 하이브리드예요). 타이핑 즉시 검색창용이에요.
• 시간을 이해해요. "요새 내가 하던 그거 뭐였지?"엔 최신 사실을,
  "3월에 읽던 책은?"엔 그때 기록을 찾아와요.

AI가 쓴 건 전부 대시보드 AI 메모리 피드에 "누가 썼는지"와 되돌리기
버튼과 함께 떠요(되돌리면 옵시디언 휴지통 .trash로 가요. 사람이 쓴
노트는 아예 되돌리기 대상이 아니에요). 모든 질의도 출처와 함께 남아요.
이게 미들웨어의 약속이에요. 아무것도 몰래 지나가지 않아요.

데모 모음, 전부 실제로 돌아가는 화면이에요

각 클립은 작은 한국어 데모 볼트에서 실제 CLI 출력을 글자 그대로 다시
찍은 거예요. 재생성 스크립트는 docs/assets/make_gifs.py에 있고, 캡처
원문도 스크립트 안에 있어요. 목업은 없어요.

즉답 검색 --fast · 임베딩 0회, 3.8ms	모순 탐지 lemory conflicts · 기억 vs 기억
AI 쓰기 승인 pending → approve	드리프트 감지 lemory drift · 기억 vs 현실
범위 연산자 tag: folder: path:	시간 인지 "요새 작업하던…" → 최신 결정 1위
오타 교정 FoundatoinDB → FoundationDB	대규모 검증 KorQuAD 9,663문단 × 60,407질문

대시보드

lemory serve → 127.0.0.1:8377. 옵시디언을 또 만든 게 아니라,
미들웨어에 뭐가 오갔는지 보는 화면이에요.

• 현황: 타임라인이에요. AI 메모리 피드(되돌리기 포함), 최근 질의와
  출처, 클라이언트별 사용량, 색인 활동을 볼 수 있어요.
• 지식: 노트 하나하나의 상세예요. 색인된 청크, 들어오고 나가는 링크,
  옵시디언 그래프에 없는 '언급' 간선까지 보이는 로컬 그래프, 관련 노트요.
• 건강: 승인 대기 기억, 모순 쌍, 드리프트, 링크 제안을 한 화면에서
  처리해요.
• 검색: 하이브리드/벡터/키워드를 바꿔가며 점수와 속도를 볼 수 있는
  실험실이에요.
• 설정: 검색 옵션을 바로 적용해요. 타임라인 기록 여부도 설정이고
  (event_log), 전부 내 SQLite 파일에만 남아요.

파일 vs 행: 개인 지식에는 파일이 이겨요

Lemory와 가장 비슷한 건 mem0의 OpenMemory(대시보드 있는 로컬 MCP
메모리)예요. 차이는 "기억"이 무엇이냐예요.

	Lemory	OpenMemory (mem0)	supermemory 셀프호스트	basic-memory	qmd
기억이란	내 마크다운 파일	Postgres+Qdrant의 행	전용 저장소의 레코드	마크다운 파일	(읽기 전용 인덱스)
실행 형태	프로세스 1개, SQLite 1개	Docker: Postgres + Qdrant + UI	바이너리 + 외부 임베딩	pip 패키지	bun CLI
기존 노트를 읽나	네, 그게 존재 이유	아니요 (대화에서 추출)	업로드	부분적	네
색인 LLM 호출	0	대화마다	API 쪽	0	0
대시보드	타임라인 + 되돌리기 + 클라이언트	기억 CRUD UI	콘솔	없음	없음
검색 (직접 측정)	멀티홉 1.000 · 약 3ms	0.579 · 212ms	0.579 · 327ms	측정 불가¹	0.526 · 0.6~59초
한국어 검색	CJK 바이그램 + 오타 교정	영어 우선	영어 우선	영어 우선	영어 우선
떠날 때 비용	없음, 파일이 남아요	내보내기/이사	내보내기/이사	없음	없음

_{¹ basic-memory는 그래프 탐색 중심이라 순위 검색이 없어요. 측정된
수치는 전부 같은 조건, 같은 모델, 같은 데이터: 방법론.}

추출 방식(행)의 기억은 내 말의 요약이에요. 저장할 때 정보가 깎이고,
나중에 검증할 수 없어요. 파일 방식은 실제 노트를 날짜와 맥락 그대로
가져와요. 검색 품질을 측정할 수 있는 것도 그 덕분이에요.

합성 데이터가 아니라 실제 데이터로 증명해요

사람들이 실제로 묻는 방식대로: 말 바꿔 묻기, 영어 노트에 한국어 질문,
키워드만 던지기, 오타까지 (full-support@8):

멀티홉, LLM 그래프 진영과의 대결. 내 [[위키링크]]와 제목 언급이
이미 지식그래프예요. 그걸 공짜로 읽는 쪽이, LLM 파이프라인으로 그래프를
만드는 쪽보다 높게 나왔어요:

	Lemory	LightRAG	MemPalace	mem0	cognee	supermemory	LlamaIndex	qmd
멀티홉 answer-in-context@8	1.000	0.807¹	0.596	0.579	0.561	0.579	0.649	0.526
2-hop 질문만	1.000	0.738	0.452	0.548	0.405	-	0.524	0.381
색인, 54노트	LLM 0회, 약 30초	165회, 14분	로컬 임베딩	노트당 1~2회	약 45분	API 쪽	0	0
검색 지연 (p50)	약 3ms	7.5초²	약 1초³	212ms	약 5초	327ms	649ms⁴	0.6~59초
한국어 질문 (full-support)	0.950	-	0.350	-	-	-	-	-

_{¹ LightRAG에 유리하게 채점했어요. 병합된 컨텍스트 덩어리가 다른
시스템의 8청크보다 커요. LLM으로 만든 그래프는 진짜고 경쟁 최고 2-hop
점수지만, 색인에도 질의에도 LLM 비용을 내요. ² 무료 티어 제한 하의 질의당
LLM 호출 포함, 유료면 1~2초. ³ 프로세스 기동 포함 실측, 그들이 내세우는
zero-API 구성. ⁴ 질의마다 API 임베딩, 캐시 없음. 로컬 전용이면 약 2ms.}

업계 표준 메모리 벤치마크도요. LongMemEval_S 전체 500문항, API 호출 0,
로컬 임베더만으로:

다들 헤드라인에 쓰는 기준으로 Recall@5 0.983. 그리고 더 엄격한
전-증거 기준(0.904)을 앞에 세워요. 유리한 숫자만 골라 쓰지 않아요.
LOCOMO LLM 채점 0.706 vs mem0 공개 수치 0.669, DMR(500문항) 0.694 vs 같은
조건 naive RAG 0.668이에요 (§7b).

롤플레잉 기억, 캐릭터 챗에 진짜 필요한 축. 직접 만들어 공개한
RoleMemQA(§7e): 8명의 페르소나 × 30세션, 단기/장기/
에피소드/취향 변경/시간/2홉/거절까지 144문항(정답은 코드로 검증). 키 없이
doc@1 0.977, 취향이 바뀐 질문 1.000에 옛 취향 함정에 속은 비율 0.
자기 벡터(0.938)·키워드(0.820) 경로를 모두 이기면서 약 1ms예요. 이 벤치가
잡아낸 실제 결함 2개도 바로 고쳤어요.

KorQuAD 1.0: 실제 한국어 위키피디아
140개 문서, 사람이 쓴 질문 400개, 키 없이 로컬로:

System	Recall@1	Recall@5	MRR@10
Lemory (hybrid+graph)	0.930	0.980	0.951
BM25	0.900	0.985	0.937
Vector-only RAG	0.840	0.953	0.887

_{이 표는 오랫동안 BM25가 이겼고, 저희는 그동안 그 사실을 그대로
실었어요. 2026년 7월 한국어 검색 개선이 드디어 뒤집었어요. 400문항 표본은
동점 처리에 따라 ±2문항 흔들려요. 그래서 10배(4,000문항)로도 측정했고,
현재 코드가 r@1 0.9795로 앞서요(BENCHMARKS §7e). 옛 표는 깃 히스토리에
있고, 실전에서 중요한 숫자는 위의 강건성 차트예요.}

KorMapleQA 는 저희가 만들어
돌려드리는 기여예요. 실제 나무위키 메이플스토리 문서 1,469개 위의
2,075문항. 100% 코드로 만들고 기계로 검증해서 API 키 없이 재현되고, LLM이
쓴 질문 특유의 편향이 없어요.

저희가 만들지 않은 실제 볼트도 있어요. 옵시디언 CEO Steph Ango의 공개
볼트와 공식 Obsidian Help 볼트요 (§5d).

한국어가 1등 시민이에요

이 분야 대부분은 한국어를 나중 일로 미뤄요. Lemory는 벤치마크로 다뤄요.

• 한글 + 가나 + 한자 바이그램 색인: 조사가 붙은 어절,
  ナイトロード나이트로드 같은 혼합 표기까지 전부 찾아요. 보통의
  토크나이저는 이걸 못 찾는 한 덩어리로 붙여버려요.
• 음절 단위 오타 교정: 메플이스토리로 메이플스토리를 찾아요. 옆
  글자끼리 바뀐 오타를 편집 1회로 계산해요. 한국어 오타가 실제로 나는
  방식이거든요.
• 활용을 아는 인용 감지: 만든으로 만들었다를 찾아요. 자모 수준
  어간 매칭이 활용, ㄹ탈락, 띄어쓰기 차이를 버텨요.
• 영어 노트에 한국어로 물어도 0.950. BM25는 0.250, MemPalace는 0.350이에요.

이런 게 돼요

$ lemory ask "3분기 킥오프에서 예산 얼마로 잡았지?"                 # 회의록
$ lemory ask "데이터플랫폼팀 리드가 누구고 무슨 일 하는 팀이지?"      # 조직/사람
$ lemory ask "재택근무 정책, 작년이랑 지금이랑 뭐가 달라졌지?"        # 시간 축 비교
$ lemory ask "자바스크립트 이벤트 루프 뭐였지? 내 노트 기준으로"      # 공부 노트
$ lemory ask "카오스 벨룸 가기 전에 준비물 뭐라고 적어놨더라?"        # 게임 노트
$ lemory ask "오사카에서 갔던 그 라멘집 이름이 뭐였지?"              # 여행 기록

일반 RAG가 구조적으로 못 하는 것들:

$ lemory ask "프로젝트 아틀라스 리드가 좋아하는 DB가 뭐더라?"
# 멀티홉: 아틀라스 노트 → [[리드]] 링크 → 그 사람 노트에 답이 있어요

$ lemory ask "요새 내가 읽던 책 뭐였지?"
요즘 읽는 책은 어스시의 마법사이다 [1, 3].     # 시간: *지금* 책
$ lemory ask "3월에 읽던 책은?"                # 3월을 물으면 그때 기록으로

$ lemory search "tag:회의록 folder:2026 예산"   # 범위 연산자, 전 모드
$ lemory remember "VPN 갱신은 매년 3월, 담당 김하늘" --tags ops   # CLI에서 기억 남기기
$ lemory import-chats conversations.json        # ChatGPT/Claude 대화 → 검색되는 노트
$ lemory connect ./my_source.py                 # 커넥터 SDK: 어떤 소스든 → 볼트 노트
$ lemory agents install                         # AGENTS.md 생성, 어떤 에이전트든 볼트를 기억으로
$ lemory graph --open                           # 볼트 전체를 인터랙티브 그래프로
$ lemory context                                # 에이전트용 볼트 요약 한 번에

오타는 내 볼트의 단어들을 기준으로 고쳐져요(API 없음). 이름 변경, 삭제,
별칭, 한국어 파일명도 워처가 실시간으로 따라가요. default_scope를
설정하면 모든 질문이 기본으로 그 폴더/태그 안에서 돌고(scope:all로 한
번만 해제), 질문에 연산자를 직접 쓰면 그게 항상 우선이에요.

왜 잘 되나요: 마법이 아니라 구조예요

• 멀티홉 1.000 vs 0.53~0.81 (전원): 검색이 링크를 따라 1홉
  확장하는데, 질의 유사도와 키워드 증거 둘 다 확인하고, 직접 증거보다
  높아지지 않게 눌러둬요. 색인할 때 LLM 없이 미리 캐놔요.
• 강건성 0.95+ vs 0.25~0.67: 벡터와 키워드는 다르게 실패해요.
  가중 융합이 둘을 덮어요. 질문이 노트를 거의 그대로 인용하면 키워드
  순위를 그대로 고정해요(핀). 순위만 섞는 융합은 확실한 키워드 우위를
  존중할 수 없거든요.
• 초가 아니라 밀리초: 전부 한 프로세스, SQLite FTS5 + numpy. 청크
  2만 개를 넘으면 IVF-int8 인덱스로 자동 전환돼요. 청크 100만 개에서
  5.9ms/질의, 정확 검색 대비 recall 1.000, RAM 732MB
  (§12b). SQLite를 다른 걸로 바꾸는 실험도 했고 왜 안
  바꿨는지 공개했어요 (보고서).
• 비용은 0에 수렴해요. 임베딩 캐시, Gemini 무료 티어로 하루 약
  250질문, 그리고 바이트 하나 못 나가는 망분리 환경을 위한 완전
  온디바이스 모드까지요.

개발자라면

import lemory
lemory.configure(vault="~/Obsidian/MyVault")
lemory.index()
print(lemory.ask("가격 정책 뭐라고 결정했더라?").text)

TypeScript/Node는 의존성 0인 클라이언트가 clients/js에
있어요: new Lemory({client: "my-agent"}).search(...).

파이썬 프레임워크에는 그대로 끼워 넣으면 돼요(둘 다 실제 프레임워크로
테스트했어요):

from lemory.integrations.langchain import LemoryRetriever     # langchain-core
from lemory.integrations.llamaindex import LemoryLlamaRetriever  # llama-index-core

셀프호스팅: docker build -t lemory . && docker run -p 127.0.0.1:8377:8377 -v ~/vault:/vault lemory. 뭔가 이상하면 lemory doctor가 볼트, 인덱스,
FTS5, 임베더, 생성기를 한 번에 점검해요. 그 출력을 이슈에 붙여주세요.

Cerebras의 사내 지식베이스 글에서
가져온 것도 출처를 밝혀요. 랭킹 후 이웃 복원: 순위가 정해진 뒤 각
청크에 앞뒤 문맥을 다시 붙여, 잘려나간 전제와 주의사항을 되살려요
(context_neighbors). 대화 버스트 청킹: 같은 화자의 연속 발화 중
알맹이 있는 것만 골라 따로 색인하되, 융합에서는 자기 노트의 순위를 올리는
역할만 해요(실측 내역 전체가 §7e에 있어요). 그들의 나머지 핵심 설계는
Lemory가 이미 만들어 측정한 것들이었어요.

격차 분석으로 추가된 것들: lemory ask --deep(어려운 질문을 쪼개서 각각
검색 후 증거 병합), lemory backup/restore, index_docx = true(Word
텍스트 추출), lemory connect(커넥터 SDK), default_scope(기본 검색
범위), 그리고 모바일: lemory serve --host 0.0.0.0 + api_token이면
폰에서도 토큰 인증으로 붙고, localhost는 그대로 무설정이에요.

실패한 실험도 정책대로 공개해요. 시맨틱 폴백 링크(링크 없는 노트에
유사도 간선)는 만들었고, 측정했고, 효과가 없다는 게 확인돼 기본으로
꺼뒀어요. 리랭커의 시간 보정도 실제 모델로 3팔 비교(끔 0.978 / 켬
0.889 / 켬+보정 0.867)한 뒤 되돌렸어요. 이득만 남기고 실패는 기록해요.

REST는 lemory serve에: GET /search · POST /ask · GET /context ·
POST /memory · POST /append · POST /memory/trash · POST /index ·
GET /status, 대시보드 API(/api/events, /api/clients, /api/notes,
/api/related, ...)도 있어요. X-Lemory-Client 헤더로 정체를 밝히면
대시보드에 출처가 표시돼요.

옵시디언 사이드바 플러그인(파일 3개 복사면 설치 끝), PDF 색인
(pip install 'lemory[pdf]', index_pdf = true), 검색 옵션 전체는
lemory.toml, 깊은 이야기는
BENCHMARKS.md · docs/STORAGE.md ·
docs/COMPETITIVE.md에 있어요.

어떻게 돌아가나요

 내 볼트 (*.md) ──감시──► 파싱: frontmatter · 태그 · [[링크]] · 날짜
                                 │
                                 ▼
              SQLite 파일 하나: 청크 · BM25 · 링크 그래프 · 임베딩 캐시
                              + 이벤트 타임라인      + IVF-int8 (큰 볼트)
                                 │
 질문 ─► 오타 교정 ─► 벡터 + 키워드 (융합) ─► 제목·최신성 부스트
                                 │
                        1홉 그래프 확장   ← 멀티홉 답이 여기서 나와요
                                 │
                                 ▼
              날짜와 출처가 붙은 컨텍스트 ─► LLM ─► 답변 [n]

 save_memory ─► 중복 검사 ─► 볼트 안의 .md ─► 다음 질문부터 검색돼요

검색은 로컬이고 LLM이 없어요(3~13ms). 질문당 임베딩 1회(캐시됨),
ask()당 생성 1회예요.

정직하게 말하면

• 문서를 그대로 인용하는 질문은 오랫동안 순수 BM25가 유리했어요. 저희는
  그게 사실인 동안 그대로 실었어요. 2026년 7월에 뒤집혔고, 옛 수치는 깃
  히스토리에 있어요.
• qmd의 간판 모드에서도 이제 품질까지 앞서요(동일 문항 0.875 vs 0.769).
  예전 임베더로는 동률이었어요. 약 3,700배의 속도 차이는 원래부터
  있었고요.
• kepano의 작은 영어 볼트에선 벡터 단독이 한 문제 차로 저희를 이겨요.
  BENCHMARKS에 그렇게 적혀 있어요.
• 청크 4만 2천 개 코퍼스의 2-hop full-support는 측정한 전원에게 어려워요.
  저희 로컬 수치는 0.477로 올라왔지만, 상시 도전 과제로 남겨뒀어요.
• 타 팀의 공개 수치는 다른 생성기/채점 기준이라 참고로만 인용해요. Zep의
  DMR 94.8은 GPT-4급 구성이고, 이겼다고 말하지 않아요.
• SQLite를 바꾸는 실험(DuckDB, LanceDB)에서 LanceDB의 텍스트 검색이 최악
  케이스에서 진짜로 5배 빨랐어요. 그걸 공개하고도 SQLite에 남아요. 나머지
  네 항목은 SQLite가 이겨요 (전체 보고서).
• 버스트 청킹의 후퇴도 기록에 있어요. 깨끗한 노트 1문항, 번복 함정
  1문항이요. 고치려던 패치가 다른 함정을 무너뜨려서 접었고, 이득과 후퇴를
  함께 공개했어요 (§7e).

로드맵

• PyPI (pip install lemory) · [ ] 옵시디언 커뮤니티 플러그인 등록
• AI 쓰기 경로 + 되돌리기 있는 타임라인 · [x] 클라이언트 출처 표시
• 기억 정리 (중복 표시 + 관련 링크)
• 링크 제안 · [x] 인터랙티브 그래프 · [x] 어시스턴트 스킬
• PDF 색인 · [x] 100만 청크 볼트용 ANN 인덱스
• 채팅 가져오기 (ChatGPT/Claude) · [x] KorMapleQA 벤치마크
• 커넥터 SDK (lemory connect) · [x] 기본 검색 범위 (default_scope)
• 에이전트 온보딩 (lemory agents: AGENTS.md + 감지) · [x] AI 쓰기 git 체크포인트
• 이미지 OCR / 오디오 전사 · [ ] 웹 클리퍼
• 멀티 볼트 프로필

함께 만들어요

uv venv && uv pip install -e ".[dev,mcp,local,pdf]" && pytest 한 줄이면
테스트 400여 개가 완전 오프라인으로 돌아요. CONTRIBUTING.md · 한국어
이슈/PR 환영해요.

처음부터 로컬 우선으로 설계했어요. 신뢰 모델, 로컬 서버의 보안 장치,
취약점 신고 방법은 SECURITY.md에 있어요.

English README · MIT