왜 R-Mem인가?

mem0는 잘 설계된 메모리 시스템으로 풍부한 plugin 에코시스템을 가지고 있습니다. R-Mem은 더 좁은 질문을 던집니다: 핵심 메모리 로직만 Rust로 다시 작성하고, 완전히 SQLite를 백엔드로 사용하면 어떻게 될까?

결과는 동일한 3계층 아키텍처 — vector memory, graph memory, history — 에 계층 아카이브 시스템을 더해 2,826줄의 Rust로 구현. 외부 서비스 불필요. 바이너리 하나. 트레이드오프는 명확: 통합 수는 mem0보다 훨씬 적지만, 운영 오버헤드는 거의 제로.

R-Mem은 RustClaw에서 탄생했습니다 — 우리의 미니멀리스트 Rust AI agent 프레임워크입니다. RustClaw에는 그 철학에 맞는 메모리 레이어가 필요했습니다: 단일 바이너리, 외부 서비스 제로. 그래서 mem0의 아키텍처를 연구하고 Rust로 재구축했습니다.

mem0의 수치는 풍부한 에코시스템을 반영합니다 — 더 많은 store, 더 많은 통합, 더 많은 유연성. R-Mem은 최소한의 풋프린트를 위해 이를 의도적으로 트레이드오프합니다.

R-Mem이 mem0에 추가하는 기능

🔍 작동 방식

Input text
│
├─ 📦 Vector Memory ──────────────────────────────────
│    │
│    ├─ LLM이 사실 추출
│    │    → ["Name is Alice", "Works at Google"]
│    │
│    ├─ Embedding → cosine similarity 검색
│    │    (FTS5 사전 필터 + 벡터 랭킹)
│    │
│    ├─ Integer ID mapping
│    │    (LLM UUID 할루시네이션 방지)
│    │
│    ├─ LLM이 각 사실에 대해 판정:
│    │    ├─ ADD       새로운 정보
│    │    ├─ UPDATE    더 구체적 → 이전 버전 아카이브
│    │    ├─ DELETE    모순 → 이전 버전 아카이브
│    │    └─ NONE      중복 — 건너뛰기
│    │
│    └─ 액션 실행 + 히스토리 기록
│
├─ 🕸️ Graph Memory ──────────────────────────────────
│    │
│    ├─ LLM이 엔티티 + 관계 추출
│    ├─ 충돌 감지 (기존 데이터 soft-delete, 새 데이터 추가)
│    └─ 다중값 vs 단일값 관계 처리
│
└─ 🗄️ Archive ───────────────────────────────────────
     │
     ├─ 삭제/대체된 메모리를 임베딩과 함께 보존
     ├─ 활성 결과가 약할 때 fallback 검색
     └─ 아카이브가 임계값을 초과하면 자동 압축

🚀 빠른 시작

사전 요구사항

빌드 & 실행

git clone https://github.com/Adaimade/R-Mem.git && cd R-Mem
cargo build --release
# → target/release/rustmem (3.6 MB)

설정

프로젝트 루트에 rustmem.toml 생성:

[llm]
provider = "openai"
base_url = "http://127.0.0.1:11434"
model = "qwen2.5:32b"

[embedding]
provider = "openai"
base_url = "http://127.0.0.1:11434"
model = "nomic-embed-text"

[llm]
provider = "openai"
api_key = "sk-..."
model = "gpt-4o"

[embedding]
provider = "openai"
api_key = "sk-..."
model = "text-embedding-3-small"

[llm]
provider = "anthropic"
api_key = "sk-ant-..."
model = "claude-sonnet-4-6"

[embedding]
provider = "openai"
api_key = "sk-..."
model = "text-embedding-3-small"

참고: Anthropic은 임베딩 모델을 제공하지 않으므로, [llm]에서 Anthropic을 사용하더라도 [embedding]은 OpenAI 또는 Ollama를 사용합니다.

🔗 통합 가이드

⚠️ MemoryManager를 구축하는 것만으로는 충분하지 않습니다

가장 흔한 통합 실수: MemoryManager를 초기화하지만 대화 루프에서 add()나 search()를 한 번도 호출하지 않는 것. 메모리 시스템은 존재하지만 사용되지 않아 — 사용자가 말한 것이 아무것도 기억되지 않습니다.

올바른 대화 루프

매 턴마다 두 가지 메모리 작업을 포함해야 합니다:

1. LLM 호출 전 — 회상 (관련 메모리 검색)
2. LLM 호출 후 — 학습 (새로운 사실 추출 및 저장)

loop {
    user_message = receive()

    // 1. 회상 — LLM 호출 전에
    memories = rmem.search(user_id, user_message, limit=10)
    context = format_as_context(memories)

    // 2. 메모리 컨텍스트와 함께 LLM 호출
    response = llm.chat(system_prompt + context + user_message)

    // 3. 학습 — 응답 후에
    rmem.add(user_id, user_message)

    send(response)
}

메모리 컨텍스트 형식

search() 결과를 LLM이 이해할 수 있는 컨텍스트로 포맷합니다:

[Memory]
이 사용자에 대해 알려진 사실:
- 사용자의 이름은 Alice
- 사용자는 다크 모드를 선호함
- 사용자는 Rust 프로젝트를 진행 중

이것을 system prompt 안에 또는 사용자 메시지 앞에 배치하여 LLM이 참조할 수 있도록 합니다.

멀티 스코프 패턴

앱이 여러 채널(예: Telegram + Discord)을 지원하는 경우, 세 가지 스코프 레이어를 사용합니다:

회상 시 결과를 병합합니다:

local_results  = search("telegram:group_123", query)
user_results   = search("user:456", query)
global_results = search("global:system", query)
all = deduplicate(local + user + global)

흔한 실수

• ❌ MemoryManager를 초기화하지만 루프에서 search() / add()를 호출하지 않음
• ❌ 학습만 하고 회상하지 않음 (메모리가 저장되지만 검색되지 않음)
• ❌ 회상만 하고 학습하지 않음 (오래된 메모리를 읽지만 새로운 것을 학습하지 않음)
• ❌ LLM 호출 전에 add()를 실행 (현재 메시지가 이미 알려진 사실로 처리됨)

📖 사용법

CLI

# 메모리 추가
rustmem add -u alice "My name is Alice and I work at Google. I love sushi."

# 시맨틱 검색
rustmem search -u alice "What does Alice eat?"

# 사용자의 모든 메모리 목록
rustmem list -u alice

# 그래프 관계 표시
rustmem graph -u alice

# REST API 서버 시작
rustmem server

REST API

rustmem server로 시작 후:

# ➕ 메모리 추가
curl -X POST http://localhost:8019/memories/add \
  -H 'Content-Type: application/json' \
  -d '{"user_id": "alice", "text": "I moved to Tokyo last month"}'

# 🔍 검색
curl -X POST http://localhost:8019/memories/search \
  -H 'Content-Type: application/json' \
  -d '{"user_id": "alice", "query": "where does she live", "limit": 5}'

# 📋 전체 목록
curl http://localhost:8019/memories?user_id=alice

# 🏷️ 카테고리로 필터링 (preference, personal, plan, professional, health, misc)
curl http://localhost:8019/memories?user_id=alice&category=preference

# 🗑️ 삭제
curl -X DELETE http://localhost:8019/memories/{id}

# 📜 히스토리
curl http://localhost:8019/memories/{id}/history

# 🗄️ 아카이브된 메모리 조회
curl http://localhost:8019/archive?user_id=alice

# 🕸️ 그래프 관계 조회
curl http://localhost:8019/graph?user_id=alice

AI Agent 드롭인 교체

# mem0 (이전)
from mem0 import Memory
m = Memory()
m.add("Alice loves sushi", user_id="alice")

# R-Mem (이후 — HTTP로 전환만 하면 됨)
import httpx
httpx.post("http://localhost:8019/memories/add",
    json={"user_id": "alice", "text": "Alice loves sushi"})

🔌 MCP Server

R-Mem은 MCP server로 작동합니다 — 한 줄 명령으로 Claude Code 또는 Cursor에 장기 메모리를 부여:

# Claude Code
claude mcp add rustmem -- /path/to/rustmem mcp

# Cursor (.cursor/mcp.json)
{
  "mcpServers": {
    "rustmem": {
      "command": "/path/to/rustmem",
      "args": ["mcp"]
    }
  }
}

7개 tools: add_memory, search_memory, list_memories, get_memory, delete_memory, get_graph, reset_memories

🏗️ 아키텍처

src/
├── main.rs          CLI 진입점 (clap)
├── config.rs        TOML + 환경 변수 설정
├── server.rs        REST API (axum)
├── mcp.rs           MCP server (rmcp) — stdio를 통한 7개 tools
├── memory.rs        코어 오케스트레이터 — 계층 메모리 파이프라인
├── extract.rs       LLM 호출: OpenAI + Anthropic native
├── embedding.rs     OpenAI 호환 embedding 클라이언트
├── store.rs         SQLite vector store (WAL + FTS5 + archive)
└── graph.rs         SQLite graph store (soft-delete, 다중값 관계)

9개 파일. 2,826줄. 3.6 MB 바이너리. 외부 서비스 제로.

🗺️ 로드맵

R-Mem v0.3.0은 학습 프로젝트로서 기능이 완성되었습니다. 핵심 아키텍처는 안정적이며 프로덕션 수준으로 강화되었습니다. 커뮤니티 기여, fork, 탐구를 환영합니다 — issue 또는 PR을 열어주세요.