SVG 시각화 생성
May 23, 2026 · View on GitHub
English | Français | Español | Deutsch | Italiano | Português | Nederlands | Polski | Русский | 日本語 | 中文 | العربية | 한국어
ICM
AI 에이전트를 위한 영구 메모리. 단일 바이너리, 의존성 없음, MCP 네이티브.
ICM은 AI 에이전트에게 진짜 메모리를 제공합니다 — 메모 도구도, 컨텍스트 관리자도 아닌, 메모리 그 자체입니다.
ICM (Infinite Context Memory)
┌──────────────────────┬─────────────────────────┐
│ MEMORIES (Topics) │ MEMOIRS (Knowledge) │
│ │ │
│ Episodic, temporal │ Permanent, structured │
│ │ │
│ ┌───┐ ┌───┐ ┌───┐ │ ┌───┐ │
│ │ m │ │ m │ │ m │ │ │ C │──depends_on──┐ │
│ └─┬─┘ └─┬─┘ └─┬─┘ │ └───┘ │ │
│ │decay │ │ │ │ refines ┌─▼─┐│
│ ▼ ▼ ▼ │ ┌─▼─┐ │ C ││
│ weight decreases │ │ C │──part_of──>└───┘│
│ over time unless │ └───┘ │
│ accessed/critical │ Concepts + Relations │
├──────────────────────┴─────────────────────────┤
│ SQLite + FTS5 + sqlite-vec │
│ Hybrid search: BM25 (30%) + cosine (70%) │
└─────────────────────────────────────────────────┘
두 가지 메모리 모델:
- Memories — 중요도에 따른 시간적 감쇠와 함께 저장/검색. 중요 메모리는 절대 사라지지 않고, 낮은 중요도는 자연적으로 감쇠. 토픽 또는 키워드로 필터링 가능.
- Memoirs — 영구 지식 그래프. 타입이 지정된 관계(
depends_on,contradicts,superseded_by, ...)로 연결된 개념. 레이블로 필터링 가능. - Feedback — AI 예측이 틀렸을 때 수정 사항 기록. 새로운 예측 전에 과거 실수를 검색. 폐쇄 루프 학습.
설치
# Homebrew (macOS / Linux)
brew tap rtk-ai/tap && brew install icm
# 빠른 설치
curl -fsSL https://raw.githubusercontent.com/rtk-ai/icm/main/install.sh | sh
# 소스에서 빌드
cargo install --path crates/icm-cli
설정
# 지원되는 모든 도구를 자동 감지 및 구성
icm init
한 번의 명령으로 17개 도구를 구성합니다 (전체 통합 가이드):
| 도구 | MCP | 훅 | CLI | 스킬 |
|---|---|---|---|---|
| Claude Code | ~/.claude.json | 5개 훅 | CLAUDE.md | /recall /remember |
| Claude Desktop | JSON | — | — | — |
| Gemini CLI | ~/.gemini/settings.json | 5개 훅 | GEMINI.md | — |
| Codex CLI | ~/.codex/config.toml | 4개 훅 | AGENTS.md | — |
| Copilot CLI | ~/.copilot/mcp-config.json | 4개 훅 | .github/copilot-instructions.md | — |
| Cursor | ~/.cursor/mcp.json | — | — | .mdc 규칙 |
| Windsurf | JSON | — | .windsurfrules | — |
| VS Code | ~/Library/.../Code/User/mcp.json | — | — | — |
| Amp | JSON | — | — | /icm-recall /icm-remember |
| Amazon Q | JSON | — | — | — |
| Cline | VS Code globalStorage | — | — | — |
| Roo Code | VS Code globalStorage | — | — | .md 규칙 |
| Kilo Code | VS Code globalStorage | — | — | — |
| Zed | ~/.zed/settings.json | — | — | — |
| OpenCode | JSON | TS 플러그인 | — | — |
| Continue.dev | ~/.continue/config.yaml | — | — | — |
| Aider | — | — | .aider.conventions.md | — |
또는 수동으로:
# Claude Code
claude mcp add icm -- icm serve
# 컴팩트 모드 (더 짧은 응답, 토큰 절약)
claude mcp add icm -- icm serve --compact
# 모든 MCP 클라이언트: command = "icm", args = ["serve"]
스킬 / 규칙
icm init --mode skill
Claude Code(/recall, /remember), Cursor(.mdc 규칙), Roo Code(.md 규칙), Amp(/icm-recall, /icm-remember)에 슬래시 명령과 규칙을 설치합니다.
훅 (5개 도구)
icm init --mode hook
지원되는 모든 도구에 자동 추출 및 자동 회상 훅을 설치합니다:
| 도구 | SessionStart | PreTool | PostTool | Compact | PromptRecall | 설정 |
|---|---|---|---|---|---|---|
| Claude Code | icm hook start | icm hook pre | icm hook post | icm hook compact | icm hook prompt | ~/.claude/settings.json |
| Gemini CLI | icm hook start | icm hook pre | icm hook post | icm hook compact | icm hook prompt | ~/.gemini/settings.json |
| Codex CLI | icm hook start | icm hook pre | icm hook post | — | icm hook prompt | ~/.codex/hooks.json |
| Copilot CLI | icm hook start | icm hook pre | icm hook post | — | icm hook prompt | .github/hooks/icm.json |
| OpenCode | session start | — | tool extract | compaction | — | ~/.config/opencode/plugins/icm.ts |
각 훅의 역할:
| 훅 | 역할 |
|---|---|
icm hook start | 세션 시작 시 중요/높은 중요도 메모리의 웨이크업 팩 주입 (~500 토큰) |
icm hook pre | icm CLI 명령 자동 허용 (권한 프롬프트 없음) |
icm hook post | N번 호출마다 도구 출력에서 사실 추출 (자동 추출) |
icm hook compact | 컨텍스트 압축 전 대화 스크립트에서 메모리 추출 |
icm hook prompt | 각 사용자 프롬프트 시작 시 회상된 컨텍스트 주입 |
CLI vs MCP
ICM은 CLI(icm 명령) 또는 MCP 서버(icm serve)를 통해 사용할 수 있습니다. 둘 다 동일한 데이터베이스에 접근합니다.
| CLI | MCP | |
|---|---|---|
| 지연 시간 | ~30ms (직접 바이너리) | ~50ms (JSON-RPC stdio) |
| 토큰 비용 | 0 (훅 기반, 보이지 않음) | ~20-50 토큰/호출 (도구 스키마) |
| 설정 | icm init --mode hook | icm init --mode mcp |
| 호환 도구 | Claude Code, Gemini, Codex, Copilot, OpenCode (훅 통해) | 17개 MCP 호환 도구 모두 |
| 자동 추출 | 예 (훅이 icm extract 트리거) | 예 (MCP 도구가 store 호출) |
| 최적 용도 | 파워 유저, 토큰 절약 | 범용 호환성 |
CLI
Memories (에피소드, 감쇠 포함)
# 저장
icm store -t "my-project" -c "Use PostgreSQL for the main DB" -i high -k "db,postgres"
# 회상
icm recall "database choice"
icm recall "auth setup" --topic "my-project" --limit 10
icm recall "architecture" --keyword "postgres"
# 관리
icm forget <memory-id>
icm consolidate --topic "my-project"
icm topics
icm stats
# 텍스트에서 사실 추출 (규칙 기반, LLM 비용 없음)
echo "The parser uses Pratt algorithm" | icm extract -p my-project
Memoirs (영구 지식 그래프)
# memoir 생성
icm memoir create -n "system-architecture" -d "System design decisions"
# 레이블이 있는 개념 추가
icm memoir add-concept -m "system-architecture" -n "auth-service" \
-d "Handles JWT tokens and OAuth2 flows" -l "domain:auth,type:service"
# 개념 연결
icm memoir link -m "system-architecture" --from "api-gateway" --to "auth-service" -r depends-on
# 레이블 필터로 검색
icm memoir search -m "system-architecture" "authentication"
icm memoir search -m "system-architecture" "service" --label "domain:auth"
# 이웃 검사
icm memoir inspect -m "system-architecture" "auth-service" -D 2
# 그래프 내보내기 (형식: json, dot, ascii, ai)
icm memoir export -m "system-architecture" -f ascii # 신뢰도 바 포함 박스 드로잉
icm memoir export -m "system-architecture" -f dot # Graphviz DOT (색상 = 신뢰도 수준)
icm memoir export -m "system-architecture" -f ai # LLM 컨텍스트에 최적화된 마크다운
icm memoir export -m "system-architecture" -f json # 모든 메타데이터 포함 구조화된 JSON
# SVG 시각화 생성
icm memoir export -m "system-architecture" -f dot | dot -Tsvg > graph.svg
MCP 도구 (31개)
메모리 도구
| 도구 | 설명 |
|---|---|
icm_memory_store | 자동 중복 제거와 함께 저장 (>85% 유사도 → 중복 대신 업데이트) |
icm_memory_recall | 쿼리로 검색, 토픽 및/또는 키워드로 필터링 |
icm_memory_update | 메모리 인플레이스 편집 (내용, 중요도, 키워드) |
icm_memory_forget | ID로 메모리 삭제 |
icm_memory_consolidate | 토픽의 모든 메모리를 하나의 요약으로 병합 |
icm_memory_list_topics | 카운트와 함께 모든 토픽 나열 |
icm_memory_stats | 글로벌 메모리 통계 |
icm_memory_health | 토픽별 위생 감사 (오래됨, 통합 필요) |
icm_memory_embed_all | 벡터 검색을 위한 임베딩 백필 |
Memoir 도구 (지식 그래프)
| 도구 | 설명 |
|---|---|
icm_memoir_create | 새 memoir 생성 (지식 컨테이너) |
icm_memoir_list | 모든 memoir 나열 |
icm_memoir_show | memoir 세부 정보 및 모든 개념 표시 |
icm_memoir_add_concept | 레이블이 있는 개념 추가 |
icm_memoir_refine | 개념의 정의 업데이트 |
icm_memoir_search | 전체 텍스트 검색, 레이블로 선택적 필터링 |
icm_memoir_search_all | 모든 memoir에서 검색 |
icm_memoir_link | 개념 간 타입이 지정된 관계 생성 |
icm_memoir_inspect | 개념 및 그래프 이웃 검사 (BFS) |
icm_memoir_export | 신뢰도 수준과 함께 그래프 내보내기 (json, dot, ascii, ai) |
피드백 도구 (실수로부터 학습)
| 도구 | 설명 |
|---|---|
icm_feedback_record | AI 예측이 틀렸을 때 수정 사항 기록 |
icm_feedback_search | 미래 예측 정보를 위한 과거 수정 사항 검색 |
icm_feedback_stats | 피드백 통계: 총 카운트, 토픽별 분류, 가장 많이 적용된 항목 |
관계 타입
part_of · depends_on · related_to · contradicts · refines · alternative_to · caused_by · instance_of · superseded_by
작동 방식
이중 메모리 모델
**에피소드 메모리 (Topics)**는 결정, 오류, 선호도를 캡처합니다. 각 메모리는 중요도에 따라 시간이 지남에 따라 감쇠하는 가중치를 가집니다:
| 중요도 | 감쇠 | 정리 | 동작 |
|---|---|---|---|
critical | 없음 | 절대 안 함 | 절대 잊혀지지 않음, 절대 정리되지 않음 |
high | 느림 (0.5x 속도) | 절대 안 함 | 느리게 감쇠, 자동 삭제 없음 |
medium | 보통 | 예 | 표준 감쇠, 가중치 < 임계값이면 정리됨 |
low | 빠름 (2x 속도) | 예 | 빠르게 잊혀짐 |
감쇠는 접근 인식 방식입니다: 자주 회상되는 메모리는 더 느리게 감쇠합니다(decay / (1 + access_count × 0.1)). 회상 시 자동으로 적용됩니다 (마지막 감쇠 이후 >24시간인 경우).
메모리 위생이 내장되어 있습니다:
- 자동 중복 제거: 같은 토픽에서 기존 메모리와 >85% 유사한 내용을 저장하면 중복 생성 대신 업데이트됨
- 통합 힌트: 토픽이 7개 항목을 초과하면
icm_memory_store가 호출자에게 통합 권고 - 건강 감사:
icm_memory_health는 토픽별 항목 수, 평균 가중치, 오래된 항목, 통합 필요 여부 보고 - 무음 데이터 손실 없음: critical 및 high 중요도 메모리는 자동 정리되지 않음
**시맨틱 메모리 (Memoirs)**는 구조화된 지식을 그래프로 캡처합니다. 개념은 영구적입니다 — 정제되며, 감쇠되지 않습니다. 사실을 삭제하는 대신 superseded_by를 사용하여 오래된 사실을 표시합니다.
하이브리드 검색
임베딩이 활성화되면 ICM은 하이브리드 검색을 사용합니다:
- FTS5 BM25 (30%) — 전체 텍스트 키워드 매칭
- 코사인 유사도 (70%) — sqlite-vec를 통한 시맨틱 벡터 검색
기본 모델: intfloat/multilingual-e5-base (768d, 100+ 언어). 설정 파일에서 구성 가능:
[embeddings]
# enabled = false # 완전히 비활성화 (모델 다운로드 없음)
model = "intfloat/multilingual-e5-base" # 768d, 다국어 (기본값)
# model = "intfloat/multilingual-e5-small" # 384d, 다국어 (더 가벼움)
# model = "intfloat/multilingual-e5-large" # 1024d, 다국어 (최고 정확도)
# model = "Xenova/bge-small-en-v1.5" # 384d, 영어 전용 (가장 빠름)
# model = "jinaai/jina-embeddings-v2-base-code" # 768d, 코드 최적화
임베딩 모델 다운로드를 완전히 건너뛰려면 다음 중 하나를 사용합니다:
icm --no-embeddings serve # CLI 플래그
ICM_NO_EMBEDDINGS=1 icm serve # 환경 변수
또는 설정 파일에서 enabled = false로 설정합니다. ICM은 FTS5 키워드 검색으로 대체됩니다 (여전히 작동하지만 시맨틱 매칭 없음).
모델을 변경하면 자동으로 벡터 인덱스가 재생성됩니다 (기존 임베딩이 지워지며 icm_memory_embed_all로 재생성 가능).
저장소
단일 SQLite 파일. 외부 서비스, 네트워크 의존성 없음.
~/Library/Application Support/dev.icm.icm/memories.db # macOS
~/.local/share/dev.icm.icm/memories.db # Linux
C:\Users\<user>\AppData\Local\icm\icm\data\memories.db # Windows
설정
icm config # 활성 설정 표시
설정 파일 위치 (플랫폼별, 또는 $ICM_CONFIG):
~/Library/Application Support/dev.icm.icm/config.toml # macOS
~/.config/icm/config.toml # Linux
C:\Users\<user>\AppData\Roaming\icm\icm\config\config.toml # Windows
모든 옵션은 config/default.toml을 참조하세요.
멀티 프로젝트 & 멀티 에이전트
ICM은 한 명의 사용자가 여러 프로젝트에 걸쳐 다수의 에이전트와 협업하는 경우를 위해 만들어졌습니다. 메모리는 항상 관련성을 유지해야 합니다: 프로젝트 A의 결정이 프로젝트 B로 절대 새어 들어가서는 안 되고, dev 에이전트가 mentor 에이전트가 저장한 내용으로 hydrate되어서도 안 됩니다.
프로젝트 격리
ICM은 별도의 컬럼이 아니라 topic 명명 규칙으로 메모리를 스코프합니다. 규칙은 다음과 같습니다:
{kind}-{project} # e.g. decisions-icm, errors-resolved-icm, contexte-rtk-cloud
preferences # global, always included
identity # global, always included
icm_wake_up { project: "icm" }은 세그먼트 인식(segment-aware) 매칭을 수행합니다: "icm"은 decisions-icm, errors-icm-core, contexte-icm과 매칭되지만 icmp-notes와는 절대 매칭되지 않습니다(거짓 양성 없음). 토픽은 -, ., _, /, : 단위로 분할됩니다. 선호(preferences)와 정체성(identity) 토픽은 설계상 프로젝트 간 공유됩니다 — 사용자 수준의 가이드는 결코 제거되지 않습니다.
UserPromptSubmit 훅(icm hook prompt)과 SessionStart 훅(icm hook start)은 모두 훅 JSON의 cwd 필드(작업 디렉토리의 basename)에서 프로젝트를 도출합니다. 각 프로젝트를 자체 디렉토리에서 실행하면 격리는 자동으로 이루어집니다.
좋은 메모리 작성하기
icm_memory_store는 에이전트가 topic과 content를 직접 선택하도록 요구합니다 — 자동 분류기는 없습니다. 모범 사례:
| 필드 | 가이드 |
|---|---|
topic | {kind}-{project}. 종류: decisions, errors-resolved, contexte, preferences. |
content | 한 번의 store에 하나의 사실. 밀도 있는 영문 요약 — topic + content가 임베딩 텍스트가 됩니다. |
raw_excerpt | 원문 그대로일 때만 사용(코드, 정확한 에러 메시지, 명령어 출력). |
keywords | BM25 검색을 강화하기 위한 3–5개의 용어. |
importance | 절대 잊지 말아야 할 것은 critical, 프로젝트 결정은 high, 기본값은 medium, 일시적인 것은 low. |
나머지는 ICM이 처리합니다: 85% 유사도에서 dedup, 의미적으로 가까운 메모리 간 자동 링크(auto-link), 토픽당 10개 항목을 초과할 때 자동 통합(auto-consolidation), 그리고 접근 횟수에 가중치가 부여된 decay. 일괄 덤프보다 호출당 하나의 사실이 낫습니다 — retriever는 개별적으로 저장된 사실을 더 높게 랭킹합니다.
멀티 에이전트 역할
ICM은 아직 일급 role 컬럼을 가지고 있지 않습니다. 현재로서는, 토픽 접미사와 에이전트별 작업 디렉토리를 조합해 역할을 에뮬레이트합니다:
decisions-icm-dev # dev agent: code patterns, library choices, refactors
decisions-icm-architect # architect: design, workflows, subtask decomposition
decisions-icm-mentor # mentor / BA: business goals, non-technical context
각 에이전트는 자체 작업 디렉토리(~/projects/icm-dev/, ~/projects/icm-architect/, ...)에서 실행되어, icm hook prompt와 icm hook start가 cwd에서 서로 다른 프로젝트 세그먼트를 도출하고 매칭되는 메모리만 recall하도록 합니다. 선호(preferences)는 글로벌하게 유지됩니다 — 사용자 정체성은 모든 역할에 걸쳐 이어집니다.
단일 에이전트 내에서도 recall을 수동으로 좁힐 수 있습니다:
// icm_memory_recall
{ "query": "auth flow", "topic": "decisions-icm-architect", "limit": 5 }
일급 role 필드(wake-up과 recall에서 네이티브 필터링 지원)는 로드맵에 있습니다. 그때까지는 토픽 접미사 규칙이 지원되는 패턴입니다.
자동 추출
ICM은 세 가지 레이어를 통해 메모리를 자동으로 추출합니다:
Layer 0: Pattern hooks Layer 1: PreCompact Layer 2: UserPromptSubmit
(zero LLM cost) (zero LLM cost) (zero LLM cost)
┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐
│ PostToolUse hook │ │ PreCompact hook │ │ UserPromptSubmit │
│ │ │ │ │ │
│ • Bash errors │ │ Context about to │ │ User sends prompt │
│ • git commits │ │ be compressed → │ │ → icm recall │
│ • config changes │ │ extract memories │ │ → inject context │
│ • decisions │ │ from transcript │ │ │
│ • preferences │ │ before they're │ │ Agent starts with │
│ • learnings │ │ lost forever │ │ relevant memories │
│ • constraints │ │ │ │ already loaded │
│ │ │ Same patterns + │ │ │
│ Rule-based, no LLM│ │ --store-raw fallbk│ │ │
└──────────────────┘ └──────────────────┘ └──────────────────┘
| 레이어 | 상태 | LLM 비용 | 훅 명령 | 설명 |
|---|---|---|---|---|
| Layer 0 | 구현됨 | 0 | icm hook post | 도구 출력에서 규칙 기반 키워드 추출 |
| Layer 1 | 구현됨 | 0 | icm hook compact | 컨텍스트 압축 전 스크립트에서 추출 |
| Layer 2 | 구현됨 | 0 | icm hook prompt | 각 사용자 프롬프트에서 회상된 메모리 주입 |
3개 레이어 모두 icm init --mode hook으로 자동 설치됩니다.
대안과의 비교
| 시스템 | 방법 | LLM 비용 | 지연 시간 | 압축 캡처? |
|---|---|---|---|---|
| ICM | 3레이어 추출 | 0 ~ ~500 토큰/세션 | 0ms | 예 (PreCompact) |
| Mem0 | 메시지당 2번 LLM 호출 | ~2k 토큰/메시지 | 200-2000ms | 아니오 |
| claude-mem | PostToolUse + 비동기 | ~1-5k 토큰/세션 | 8ms 훅 | 아니오 |
| MemGPT/Letta | 에이전트 자체 관리 | 추가 비용 없음 | 0ms | 아니오 |
| DiffMem | Git 기반 diff | 0 | 0ms | 아니오 |
벤치마크
저장 성능
ICM Benchmark (1000 memories, 384d embeddings)
──────────────────────────────────────────────────────────
Store (no embeddings) 1000 ops 34.2 ms 34.2 µs/op
Store (with embeddings) 1000 ops 51.6 ms 51.6 µs/op
FTS5 search 100 ops 4.7 ms 46.6 µs/op
Vector search (KNN) 100 ops 59.0 ms 590.0 µs/op
Hybrid search 100 ops 95.1 ms 951.1 µs/op
Decay (batch) 1 ops 5.8 ms 5.8 ms/op
──────────────────────────────────────────────────────────
Apple M1 Pro, 인메모리 SQLite, 단일 스레드. icm bench --count 1000
에이전트 효율성
실제 Rust 프로젝트(12개 파일, ~550줄)를 사용한 다중 세션 워크플로. 세션 2+에서 ICM이 파일을 다시 읽는 대신 회상하면서 가장 큰 효율을 보입니다.
ICM Agent Benchmark (10 sessions, model: haiku, 3 runs averaged)
══════════════════════════════════════════════════════════════════
Without ICM With ICM Delta
Session 2 (recall)
Turns 5.7 4.0 -29%
Context (input) 99.9k 67.5k -32%
Cost \$0.0298 \$0.0249 -17%
Session 3 (recall)
Turns 3.3 2.0 -40%
Context (input) 74.7k 41.6k -44%
Cost \$0.0249 \$0.0194 -22%
══════════════════════════════════════════════════════════════════
icm bench-agent --sessions 10 --model haiku
지식 보존
에이전트가 세션 간에 밀도 높은 기술 문서에서 특정 사실을 회상합니다. 세션 1은 읽고 기억하며; 세션 2+는 소스 텍스트 없이 10개의 사실적 질문에 답합니다.
ICM Recall Benchmark (10 questions, model: haiku, 5 runs averaged)
══════════════════════════════════════════════════════════════════════
No ICM With ICM
──────────────────────────────────────────────────────────────────────
Average score 5% 68%
Questions passed 0/10 5/10
══════════════════════════════════════════════════════════════════════
icm bench-recall --model haiku
로컬 LLM (ollama)
로컬 모델로 동일한 테스트 — 순수 컨텍스트 주입, 도구 사용 필요 없음.
Model Params No ICM With ICM Delta
─────────────────────────────────────────────────────────
qwen2.5:14b 14B 4% 97% +93%
mistral:7b 7B 4% 93% +89%
llama3.1:8b 8B 4% 93% +89%
qwen2.5:7b 7B 4% 90% +86%
phi4:14b 14B 6% 79% +73%
llama3.2:3b 3B 0% 76% +76%
gemma2:9b 9B 4% 76% +72%
qwen2.5:3b 3B 2% 58% +56%
─────────────────────────────────────────────────────────
scripts/bench-ollama.sh qwen2.5:14b
테스트 프로토콜
모든 벤치마크는 실제 API 호출을 사용합니다 — 목(mock) 없음, 시뮬레이션된 응답 없음, 캐시된 답변 없음.
- 에이전트 벤치마크: 임시 디렉터리에 실제 Rust 프로젝트를 생성합니다.
claude -p --output-format json으로 N개의 세션을 실행합니다. ICM 없이: 빈 MCP 설정. ICM 있이: 실제 MCP 서버 + 자동 추출 + 컨텍스트 주입. - 지식 보존: 가상의 기술 문서("Meridian Protocol")를 사용합니다. 예상 사실에 대한 키워드 매칭으로 답변 채점. 호출당 120초 타임아웃.
- 격리: 각 실행은 자체 임시 디렉터리와 새로운 SQLite DB를 사용합니다. 세션 지속성 없음.
멀티 에이전트 통합 메모리
17개 도구 모두 동일한 SQLite 데이터베이스를 공유합니다. Claude가 저장한 메모리는 즉시 Gemini, Codex, Copilot, Cursor 및 모든 다른 도구에서 사용할 수 있습니다.
ICM Multi-Agent Efficiency Benchmark (10 seeded facts, 5 CLI agents)
╔══════════════╦═══════╦══════════╦════════╦═══════════╦═══════╗
║ Agent ║ Facts ║ Accuracy ║ Detail ║ Latency ║ Score ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ Claude Code ║ 10/10 ║ 100% ║ 5/5 ║ ~15s ║ 99 ║
║ Gemini CLI ║ 10/10 ║ 100% ║ 5/5 ║ ~33s ║ 94 ║
║ Copilot CLI ║ 10/10 ║ 100% ║ 5/5 ║ ~10s ║ 100 ║
║ Cursor Agent ║ 10/10 ║ 100% ║ 5/5 ║ ~16s ║ 99 ║
║ Aider ║ 10/10 ║ 100% ║ 5/5 ║ ~5s ║ 100 ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ AVERAGE ║ ║ ║ ║ ║ 98 ║
╚══════════════╩═══════╩══════════╩════════╩═══════════╩═══════╝
점수 = 60% 회상 정확도 + 30% 사실 세부 정보 + 10% 속도. 98% 멀티 에이전트 효율성.
ICM을 선택하는 이유
| 기능 | ICM | Mem0 | Engram | AgentMemory |
|---|---|---|---|---|
| 도구 지원 | 17 | SDK만 | ~6-8 | ~10 |
| 원커맨드 설정 | icm init | 수동 SDK | 수동 | 수동 |
| 훅 (시작 시 자동 회상) | 5개 도구 | 없음 | MCP 통해 | 1개 도구 |
| 하이브리드 검색 (FTS5 + 벡터) | 30/70 가중치 | 벡터만 | FTS5만 | FTS5+벡터 |
| 다국어 임베딩 | 100+ 언어 (768d) | 상황에 따라 | 없음 | 영어 384d |
| 지식 그래프 | Memoir 시스템 | 없음 | 없음 | 없음 |
| 시간적 감쇠 + 통합 | 접근 인식 | 없음 | 기본 | 기본 |
| TUI 대시보드 | icm dashboard | 없음 | 있음 | 웹 뷰어 |
| 도구 출력에서 자동 추출 | 3 레이어, 제로 LLM | 없음 | 없음 | 없음 |
| 피드백/수정 루프 | icm_feedback_* | 없음 | 없음 | 없음 |
| 런타임 | Rust 단일 바이너리 | Python | Go | Node.js |
| 로컬 우선, 제로 의존성 | SQLite 파일 | 클라우드 우선 | SQLite | SQLite |
| 멀티 에이전트 회상 정확도 | 98% | N/A | N/A | 95.2% |
문서
| 문서 | 설명 |
|---|---|
| 통합 가이드 | 17개 도구 모두 설정: Claude Code, Copilot, Cursor, Windsurf, Zed, Amp 등 |
| 기술 아키텍처 | 크레이트 구조, 검색 파이프라인, 감쇠 모델, sqlite-vec 통합, 테스트 |
| 사용자 가이드 | 설치, 토픽 구성, 통합, 추출, 문제 해결 |
| 제품 개요 | 사용 사례, 벤치마크, 대안과의 비교 |
라이선스
Source-Available — 개인 및 20명 이하 팀에게 무료. 대규모 조직은 엔터프라이즈 라이선스 필요. 문의: contact@rtk-ai.app