관련 프로젝트
Source: Walrus
AI 에이전트가 점점 더 복잡한 워크플로우를 자율적으로 처리하는 방향으로 진화하고 있지만, 정작 이 에이전트들이 세션 간에 무엇을 기억하는지에 대한 인프라는 아직 정리되지 않은 상태다. 이번에 월루스(Walrus) 생태계에서 나온 MemWal은 이 문제를 탈중앙 스토리지 위에서 풀겠다는 프로젝트로, 현재 베타로 공개되어 있다.
1. 에이전트 메모리라는 문제
AI 에이전트의 메모리는 최근 들어 핵심 인프라 이슈로 급부상한 영역이다. 에이전트가 단발성 프롬프트 응답을 넘어서 지속적으로 작동하는 시스템이 되려면, 대화 이력, 학습된 기술, 추론 과정, 워크플로우 결과물 같은 것들을 세션을 넘어서 기억해야 하기 때문이다.
현재 개발자들이 이 문제를 푸는 방식은 대부분 기존 인프라의 조합이다. Redis로 세션 상태를, S3로 파일을, 벡터 데이터베이스로 임베딩을 저장하는 식이다. 각각은 부분적으로 동작하지만, 에이전트 메모리를 시스템 프리미티브로 다루도록 설계된 것은 아니다. 결과적으로 메모리가 여러 시스템에 산재하게 되고, 검증이 어렵고, 시간이 지나면서 일관성을 유지하기가 힘들어진다.
이 문제를 전면에 내세운 전용 솔루션도 이미 존재한다. Mem0는 $24M을 투자받고 AWS 에이전트 SDK의 공식 메모리 프로바이더로 선정되었으며, 벡터 임베딩과 그래프 데이터베이스를 결합한 듀얼 스토리지 아키텍처를 제공한다. Letta(구 MemGPT)는 LLM 자체가 메모리를 관리하는 OS 비유 모델을 택했다. 이 밖에도 LangMem, Zep, MemMachine 등 다양한 솔루션이 경쟁 중이다.
그런데 이들 솔루션들에는 공통된 전제가 하나 있다. 메모리 데이터가 결국 중앙화된 인프라(AWS, GCP, 자체 서버)에 저장된다는 점이다. 에이전트가 자율적으로 의사결정을 하고 실제 자산을 움직이는 시나리오에서, 그 메모리의 출처와 무결성을 제3자에게 의존해야 한다는 것은 구조적인 한계가 될 수 있다.
2. MemWal이 제안하는 것
MemWal은 이 지점에서 출발해, 에이전트의 메모리를 월루스의 탈중앙 스토리지에 저장하고, 수이 온체인에 소유권과 접근 제어를 관리하는 구조를 설계했다.
개발자는 SDK를 통해 에이전트에 메모리를 붙이고, 백엔드 릴레이어가 실제 Walrus/Sui와의 상호작용을 처리한다. 릴레이어는 기존에 운영되는 것을 사용하거나 직접 호스팅할 수 있다.
SDK의 핵심 API는 아래와 같이 단순하게 적용시킬 수 있는 것으로 확인된다.
기억하고(remember), 떠올리고(recall), 복원하는(restore) 단순한 인터페이스 뒤에서 릴레이어가 꽤 많은 일을 처리한다. MemWal 레포지토리에 따르면 릴레이어는 임베딩 생성, Seal을 통한 암호화, 월루스 업로드/다운로드, 벡터 메타데이터의 PostgreSQL 저장, 시맨틱 검색, 그리고 네임스페이스 복원을 모두 담당한다.
블로그에서 언급한 네 가지 핵심 기능을 코드와 대조해서 풀어보면 다음과 같다.
구조화된 메모리 공간(Structured Memory Spaces): 에이전트 메모리를 비정형 로그가 아니라 목적에 맞는 구조화된 컨테이너로 조직한다. 이는 기존 메모리 솔루션들이 시맨틱(사실/선호도), 에피소딕(과거 경험), 절차적(행동 패턴) 메모리를 구분하는 것과 유사하지만, 저장 계층 자체가 이 구분을 네이티브로 지원한다는 점이 다르다. namespace 파라미터로 메모리를 목적별 컨테이너로 분리하며, 각 유스케이스별로 독립된 메모리 공간을 운영한다.
유연한 소유권 관리(Flexible Ownership Models): 누가 메모리를 소유하고, 제어하고, 보유하는지를 사용자, 에이전트, 애플리케이션 단위로 정의할 수 있다. 또한 모든 연산이 owner + namespace로 경계를 가지며, 수이의 객체 모델 위에서 소유권이 관리된다.
프로그래머블한 접근 권한 관리(Programmable Access Control): 메모리의 읽기, 쓰기, 공유에 대해 세밀한 권한을 설정할 수 있으며, Seal을 통한 임계값 암호화가 기본 내장되어 있다. 수동 모드에서는 개발자가 Seal 암호화를 직접 제어할 수 있으며, Move 컨트랙트를 통해 접근 조건을 프로그래밍할 수 있다.
타입 메모리 시스템(Typed Memory Systems): 대화, 체크포인트, 추론 트레이스 같은 서로 다른 메모리 유형을 네이티브로 구분한다.
3. 기존 솔루션과의 차이
MemWal은 Mem0나 Letta와 같은 레벨에서 경쟁하는 제품이 아니다. Mem0는 LLM을 사용해 대화에서 핵심 사실을 추출하고, 그래프 기반으로 엔티티 관계를 모델링하며, 50ms 이하의 검색 지연 시간을 제공한다.
따라서 MemWal이 실제로 제공하는 것은 "메모리 지능"이 아니라 "메모리 인프라"에 가깝다. 구체적으로는 다음 세 가지가 기존 솔루션과 다른 지점이다.
검증 가능성: 월루스에 저장된 모든 데이터는 수이 온체인에 가용성 증명이 기록된다. 에이전트가 어떤 메모리를 참조해서 의사결정을 내렸는지, 그 메모리가 변조되지 않았는지를 사후에 검증할 수 있다. 중앙화된 Redis나 S3에서는 운영자를 신뢰해야 하지만, Walrus에서는 프로토콜 수준에서 보장된다.
소유권의 온체인 관리: 메모리의 접근 권한이 API 키나 서버 설정이 아니라 수이의 객체 소유권 모델로 관리된다. 이는 에이전트 간 메모리 공유, 메모리의 이전, 또는 메모리에 대한 조건부 접근 같은 시나리오를 스마트 컨트랙트로 프로그래밍할 수 있다는 뜻이다.
탈중앙 저장: 메모리 데이터가 단일 서버나 클라우드 프로바이더에 의존하지 않는다. 월루스는 약 2,200개의 스토리지 노드에 걸쳐 이레이저 코딩으로 데이터를 분산 저장하므로, 일부 노드가 다운되더라도 데이터 가용성이 유지된다.
4. 실질적으로 의미 있는 시나리오
MemWal의 차별점이 실제로 빛을 발하는 시나리오는, 에이전트 메모리에 신뢰성과 공유 가능성이 동시에 요구되는 경우라고 생각된다.
멀티 에이전트 시스템: 여러 에이전트가 공유 메모리를 통해 협업하는 구조에서, 각 에이전트가 어떤 메모리를 쓰고 읽었는지를 온체인에서 추적할 수 있다. Mem0 같은 솔루션도 멀티테넌시를 지원하지만, 에이전트 간의 메모리 소유권을 프로그래머블하게 정의하는 것은 다른 문제다.
감사 가능한 의사결정: 에이전트가 금융 거래를 실행하거나 민감한 결정을 내리는 경우, "이 에이전트가 이 시점에 어떤 메모리를 기반으로 이 결정을 내렸는가"를 사후에 증명할 수 있어야 한다. 메모리가 월루스에 저장되고 수이에 증명이 남으면, 이런 감사 추적이 가능해진다.
프라이버시가 중요한 메모리: 의료, 법률, 금융 영역에서 에이전트가 민감한 정보를 기억해야 하는 경우, Seal 암호화를 통해 메모리를 암호화한 상태로 저장하고, 특정 조건을 만족하는 주체만 복호화할 수 있도록 설정할 수 있다. 서버 운영자도 내용을 볼 수 없는 구조가 가능하다는 점에서, 중앙화된 메모리 솔루션과는 근본적으로 다른 신뢰 모델을 제공한다.
에이전트 메모리의 이식성(Portability): 에이전트를 다른 플랫폼으로 이전하거나, 메모리를 다른 에이전트에게 양도하는 시나리오가 있을 수 있다. 메모리가 특정 벤더의 인프라에 묶여 있지 않고 탈중앙 프로토콜 위에 있으면, 이런 이식이 프로토콜 수준에서 가능해진다.
반대로, 단일 에이전트가 빠른 시맨틱 검색과 지능형 메모리 관리가 필요한 일반적인 챗봇이나 어시스턴트 시나리오에서는, 현 시점에서 Mem0나 Letta가 더 실용적인 선택일 가능성이 높다.
5. 시사점
MemWal은 월루스를 단순한 파일 스토리지를 넘어서 "AI 에이전트의 메모리 계층"으로 포지셔닝하려는 움직임의 일환이다. elizaOS V2가 이미 Walrus를 기본 메모리 레이어로 통합한 것이 한 사례이고, MemWal은 이 방향을 더 범용적인 SDK 형태로 구체화한 것이다.
물론 현재 공개된 정보만으로는 MemWal의 기술적 깊이를 충분히 평가하기 어렵다. 실제 SDK의 API 설계, 메모리 쿼리 방식, 릴레이어의 구현 디테일, Walrus 저장 비용에 따른 현실적인 제약 같은 부분은 문서와 코드를 직접 살펴봐야 판단이 가능하다.
에이전트 메모리 시장은 빠르게 성장 중이고, 핵심 경쟁은 얼마나 똑똑하게 기억하느냐의 영역에서 벌어지고 있다. MemWal은 이 경쟁에서 ‘얼마나 신뢰할 수 있게 기억하느냐’라는 다른 축을 제시한다. 필자는 이 축이 실제로 시장에서 견인력을 가질 수 있을지는 결국 두 가지에 달려 있다고 생각한다. 하나는 에이전트가 실제 자산과 고위험 의사결정을 다루는 사례가 얼마나 빨리 늘어나는가이고, 다른 하나는 MemWal이 검증 가능한 저장 위에 지능형 메모리 관리 기능을 얼마나 잘 쌓아 올리느냐일 것이다.
