English

AnchorMind

이게 뭔데 | 어떻게 돌아가는데 | 어떻게 설치하는데 | 자주 묻는 질문

이게 뭔데

AI 에이전트(Claude Code, Cursor, Codex 등)에 세션이 끝난 뒤에도 남는 장기 기억을 붙여 주는 MCP 서버다. 직접 호스팅하며, 기억은 PostgreSQL에 저장한다.

에이전트는 세션이 끝나면 앞선 대화를 잊는다. 짧게 말해, 다시 설명해야 한다. 프로젝트 설정, 어제 해결한 버그, 선호하는 작업 방식처럼 매번 반복하기 번거로운 내용을 AnchorMind가 짧은 단위(파편)로 저장해 두고, 다음 세션에서 필요한 것만 꺼내 준다.

이런 경우에 쓴다

• AI 에이전트를 매일 쓰는데 세션마다 같은 설명을 반복한다.
• Claude Code, Cursor, Codex 등 여러 에이전트와 여러 기기에서 같은 기억을 공유하고 싶다.
• 프로젝트나 고객별로 기억을 나눠 두고 싶다.
• 기억을 내 서버와 내 데이터베이스에 보관하고 싶다.

어떻게 돌아가는데

1. AnchorMind 서버를 실행한다.
2. 에이전트에 MCP 서버로 등록한다.
3. 세션이 시작되면 에이전트가 서버에서 핵심 기억을 받아 온다. 대화 중에는 필요할 때 기억을 찾고, 남겨 둘 내용은 저장한다.
4. 에이전트는 그 기억을 참고해 답한다.

[세션 1]
사용자: 우리 프로젝트는 PostgreSQL 15를 쓰고 테스트는 Vitest로 돌려.
에이전트: (remember 호출, 파편 2개 저장)
[다음 날, 새 세션]
에이전트: (시작하며 context 호출, 저장해 둔 파편 2개를 받음)
사용자: 테스트 어떻게 돌리더라?
에이전트: (recall 호출) 이 프로젝트는 Vitest를 쓴다. npx vitest로 실행하면 된다.

세션이 바뀔 때마다 같은 설명을 반복하지 않아도 된다. 전체 흐름은 아래 다이어그램과 같다.

sequenceDiagram
    participant U as 사용자
    participant A as 에이전트
    participant M as AnchorMind 서버
    participant D as PostgreSQL
U->>A: 세션 시작
    A->>M: context
    M->>D: 선호, 에러, 절차, 결정 조회
    M-->>A: 핵심 기억
    U->>A: 질문
    A->>M: recall
    M-->>A: 관련 기억
    A-->>U: 기억을 참고한 답변
    A->>M: remember (새 결정, 해결한 에러)
    U->>A: 세션 종료
    A->>M: reflect (세션 요약)

도구 호출은 에이전트가 맡는다. 서버가 먼저 말을 걸지는 않는다. 에이전트가 빠뜨리지 않고 호출하게 하려면 훅이나 지침 파일을 설정해야 한다(자동으로 쓰게 하려면).

어떻게 설치하는데

서버 설치

필요한 것: Node.js 22+, Docker. pgvector가 설치된 PostgreSQL이 이미 있다면 Docker는 없어도 된다.

1. 데이터베이스 (이미 있으면 건너뛴다)

docker run -d --name anchormind-db -p 5432:5432 \
  -e POSTGRES_PASSWORD=change-me -e POSTGRES_DB=memento \
  -v anchormind-pgdata:/var/lib/postgresql/data pgvector/pgvector:pg15
docker exec anchormind-db psql -U postgres -d memento \
  -c "CREATE EXTENSION IF NOT EXISTS vector"

2. 서버

git clone https://github.com/JinHo-von-Choi/anchormind.git
cd anchormind
npm install
cp .env.example.minimal .env

.env를 열고 두 가지만 바꾼다.

• MEMENTO_ACCESS_KEY를 change-me가 아닌 값으로 바꾼다. 이 값은 마스터 키이며, Authorization: Bearer 토큰으로 쓰인다.
• 아래 세 줄을 추가한다. 외부 API 키 없이 자연어 검색을 쓰기 위한 로컬 임베딩 설정이다.

EMBEDDING_PROVIDER=transformers
EMBEDDING_MODEL=Xenova/multilingual-e5-small
EMBEDDING_DIMENSIONS=384

DB 설정은 위 docker run 값과 맞아 있으므로 그대로 두면 된다. 이제 실행한다.

npm run migrate
node scripts/post-migrate-flexible-embedding-dims.js
node server.js

처음 실행할 때 임베딩 모델을 내려받는다. 용량은 약 120MB다.

3. 확인

curl http://localhost:57332/health

{"status":"healthy", ...}가 나오면 정상이다. 저장과 조회까지 한 번에 확인하려면 First Memory Flow를 따라 한다.

더 필요한 경우:

• 질문에 답하면서 .env 만들기, 외부 임베딩 API 쓰기: INSTALL.md
• 설치를 AI 어시스턴트에게 맡기기: INSTALL.md
• Docker로 계속 운영하기: Production Docker
• Windows: WSL2 가이드
• 막혔을 때: 문제 해결

에이전트에 연결

Claude Code:

claude mcp add anchormind http://localhost:57332/mcp \
  --transport http \
  --scope user \
  --header "Authorization: Bearer YOUR_ACCESS_KEY"

claude mcp list에서 Connected가 보이면 연결된 상태다. Claude Code는 settings.json에 직접 적은 HTTP MCP 서버를 인식하지 않으므로, 위 명령이나 .mcp.json을 써야 한다.

Cursor, Codex, Windsurf, Claude.ai Web, ChatGPT 등 다른 클라이언트 연결 방법은 클라이언트별 연결에 정리되어 있다.

연결한 뒤 에이전트가 기억 도구를 알아서 쓰게 하려면 아래 FAQ를 보면 된다.

자주 묻는 질문

질문 하나에 답 하나만 싣는다. 찾는 내용이 없으면 문제 해결이나 이슈를 확인한다.

이게 맞는 도구인가

CLAUDE.md나 MEMORY.md 같은 파일 메모와 무엇이 다른가?

파일 메모는 세션마다 전체를 읽혀야 한다. 내용이 많아지면 토큰도 늘고, 오래된 내용과 새 내용이 부딪히기 쉽다. AnchorMind는 필요한 파편만 찾아 tokenBudget 안에서 돌려준다.

RAG와 무엇이 다른가?

RAG는 이미 있는 문서를 색인해 찾아 준다. AnchorMind는 에이전트가 대화 중에 직접 쓰고 다시 읽는 기억이다. 저장한 기억은 서버가 중복 병합, 모순 탐지, 중요도 감쇠 같은 방식으로 정리한다.

지식베이스로 쓸 수 있나?

쓸 수 있다. 사실을 한두 문장짜리 파편으로 넣어 두면 recall로 찾을 수 있다. 긴 문서를 통째로 색인하는 용도는 아니다.

이미 쓰는 다른 기억 도구와 같이 쓸 수 있나?

쓸 수 있다. MCP 서버라 같은 에이전트에 함께 등록해도 된다. 서버 이름이 도구 이름 앞에 붙으므로 구분도 된다(예: mcp__anchormind__recall).

쓰던 도구에서 옮길 이유가 있는지 어떻게 판단하나?

아래 셋 중 하나라도 해당하면 써 볼 만하다. 셋 다 아니라면 지금 쓰는 도구로도 충분하다.

• 데이터를 내 서버에 둬야 한다.
• 여러 에이전트와 기기에서 같은 기억을 써야 한다.
• 중복과 모순을 서버가 정리해 주길 원한다.

어떤 경우에 맞지 않나?

• 기억할 내용이 CLAUDE.md 한 장에 들어갈 정도면 파일이 더 간단하다.
• PostgreSQL(pgvector)을 운영해야 한다.
• 검색은 사실 단위에 맞춰져 있다. 긴 추론을 합성하는 질문에는 약하다(벤치마크).

설치와 요구사항

임베딩 모델이나 OpenAI 키가 꼭 필요한가?

필수는 아니다. PostgreSQL만 있어도 저장, 키워드 회상, 링크, 관리 기능은 동작한다. 다만 임베딩이 없으면 자연어 질문(text 질의)에서는 결과가 나오지 않는다. 0건이다. 그래서 위 설치 절차에는 로컬 임베딩을 포함했다.

임베딩은 로컬 모델과 외부 API 중 무엇을 쓰나?

• 로컬 모델: .env에 EMBEDDING_PROVIDER=transformers를 둔다. API 키가 필요 없고 본문이 외부로 나가지 않는다.
• 외부 API: OpenAI 같은 임베딩 API 키를 쓴다.

Redis가 필요한가?

필요 없다. Redis를 붙이면 검색 캐시와 세션 활동 추적이 켜진다.

Redis 없이 쓰면 달라지는 점은?

새로 저장한 파편이 자연어 검색에 잡히기까지 최대 5분이 걸릴 수 있다. 서버가 5분마다 임베딩을 만들기 때문이다. 키워드 검색은 바로 된다.

로컬 모델은 메모리를 얼마나 쓰나?

| 모델 | 추가 메모리 | 쓰임 | |------|------------|------| | 로컬 임베딩 (multilingual-e5-small) | 약 150MB | 자연어 검색 | | 모순 탐지용 NLI (mDeBERTa) | 약 250~280MB | 새 파편이 기존 파편과 모순되는지 판정 |

두 모델을 합치면 서버 프로세스에 약 0.4GB가 더 붙는다. 재정렬 모델(리랭커)은 기본값으로 꺼져 있다. 외부 임베딩 API를 쓰면 로컬 임베딩이 차지하던 메모리는 빠진다. 구성별 수치는 시스템 요구사항에 있다.

NLI 모델이 메모리를 쓰지 않게 할 수 있나?

NLI_SERVICE_URL로 NLI를 별도 서비스에 맡기면 서버 프로세스에 모델이 올라가지 않는다. MEMENTO_CONSOLIDATE_DETECT_CONTRADICT=false는 모순 탐지만 끄는 설정이다. 서버 시작 때 모델은 그대로 로드된다.

에이전트 연동

에이전트가 기억 도구를 알아서 쓰게 하려면?

두 가지 방법이 있다. 같이 써도 된다.

1. 훅 또는 플러그인: 세션 시작 때 context를 호출하고, 세션 종료 때 회고가 자동으로 남도록 건다. anchormind init --target claude --write로 Claude Code 플러그인을 만든다(플러그인 설치, 훅 설정).
2. 지침: MCP를 연결한 뒤 에이전트에게 get_skill_guide 도구의 가이드를 읽고 기억 도구를 적극적으로 쓰도록 설정해 달라고 요청한다. 가이드는 서버가 제공한다.

기억이 CLAUDE.md의 규칙과 충돌하면?

주입된 기억은 시스템 프롬프트와 지침 파일보다 우선순위가 낮다. "PostgreSQL 15를 쓴다" 같은 사실은 잘 작동하지만, "테스트는 Given-When-Then으로 쓴다" 같은 행동 규칙은 충돌하면 무시될 수 있다. 짧게 말해, 행동 규칙은 CLAUDE.md, AGENTS.md, 훅, 스킬에 둔다.

기억에 답이 없을 때 에이전트가 알 수 있나?

recall 응답의 _meta.evidence.status를 보면 된다. no_evidence면 찾은 기억이 없고, partial이면 질문의 핵심 낱말 일부가 결과에 없다(빠진 낱말은 uncovered_terms). 에이전트는 빠진 낱말로 다시 찾거나 "기억에 없다"고 답한다. "몇 번", "언제" 같은 질문에는 근거를 시간순으로 정리한 표와 주제별 시간선 요약이 함께 실린다.

데이터와 보안

내 기억은 어디에 저장되나?

내가 운영하는 PostgreSQL에 저장된다.

기억이 밖으로 나가는 경우가 있나?

설정한 경로로만 나간다.

• 외부 임베딩 API를 쓰면 저장하는 본문이 그 API로 전송된다. 로컬 임베딩을 쓰면 밖으로 나가지 않는다.
• 품질 평가와 자동 reflect 같은 LLM 기능은 LLM provider가 필요하다. 기본값은 gemini-cli이며, provider는 바꿀 수 있다.
• 키와 workspace별 egress_policy로 외부 LLM 제공자를 제한하고, 나가는 본문은 마스킹하며, 전송 기록을 남긴다(보안과 운영 점검).

비밀번호나 토큰을 기억시켜도 되나?

권하지 않는다. 저장할 때 민감 정보 패턴을 가려서 저장하지만 모든 형식을 잡지는 못한다. 비밀값은 환경 변수나 비밀 저장소에 두고, 기억에는 위치만 적는다.

기억의 품질

틀린 내용이 기억에 들어가는 것을 막을 수 있나?

완전히 막을 수는 없다. 사람도 기억을 다시 떠올릴 때마다 조금씩 달라진다. 그래서 처음부터 전부 막겠다는 쪽보다, 틀린 내용이 퍼지는 범위를 줄이고 문제가 생기면 찾아 고칠 수 있게 하는 쪽으로 만들었다. 방법은 아래 네 항목에 나눠 두었다.

틀린 기억은 어떻게 고치나?

파편 단위로 저장하므로, 틀린 파편만 amend로 고치거나 forget으로 지우면 된다. 요약 하나가 통째로 틀어지는 구조는 아니다.

새 내용이 기존 내용과 모순되면?

서버가 모순을 감지해 옛 파편을 만료시킨다(앵커는 제외). 그냥 지우지는 않는다. valid_to와 superseded_by로 이력을 남기며, 자세한 단계는 Internals에 정리돼 있다. 어느 쪽이 최신인지는 그 말을 한 시각(mentionTime, 없으면 저장 시각)으로 정한다.

예전 값이 필요하면 recall에 includeHistory: true를 준다. 현재 값 바로 뒤에 이전 값이 붙는다. 아직 어느 쪽도 정리되지 않은 모순은 결과에 conflicts_with로 표시된다.

언제 있었던 일인지도 기억하나?

그 말을 한 시각과 그 일이 일어난 시각을 따로 둔다. remember에 mentionTime과 eventTime을 줄 수 있고, eventTime을 주지 않으면 본문의 "어제", "2026-03-14", "지난주" 같은 표현에서 읽어 낸다. 일어난 순서가 필요하면 recall에 order: "chronological"을, 사건 시각으로 기간을 거르려면 timeRange: { from, to, basis: "event" }를 쓴다.

확실하지 않은 내용은 어떻게 표시하나?

assertionStatus=inferred로 저장한다. 이후 확인되면 verified, 틀렸다면 rejected로 바꾼다.

처음부터 틀리게 저장된 내용도 자동으로 잡아내나?

잡아내지 못한다. 서버가 찾는 것은 서로 모순되는 파편이 새로 들어오는 경우다. 중요한 기억은 앵커로 두고 사람이 확인한다. 외부 문서에서 온 내용처럼 신뢰 등급이 낮은 파편은 세션 시작 때 주입되는 ANCHOR와 CORE에 들어가지 않으며, 에이전트의 지시를 덮어쓰려는 문구는 검토 대기열로 보낸다.

기억이 계속 쌓이면?

중복 병합, 모순 탐지, 중요도 감쇠, TTL 만료가 주기적으로 돈다. 오래 쓰이지 않은 파편은 낮은 계층으로 내려가다가 결국 사라진다. 남겨야 할 파편은 앵커로 지정하면 감쇠와 만료 대상에서 빠진다. 앵커 지정에는 anchor 권한이 필요하다.

문제 해결

저장했는데 recall에 안 나온다

• pending_review: true로 나오면 검토 대기 상태다(문제 해결 17번).
• workspace가 다르면 보이지 않는다. 저장과 조회에 같은 workspace를 써야 한다.
• 자연어 질의만 비면 임베딩이 켜져 있는지 확인한다. Redis 없이 쓰는 경우, 저장 직후 최대 5분 동안은 자연어 검색에 잡히지 않는다. 키워드 검색은 바로 된다.

이름이 memento-mcp였던 것 같은데?

같은 프로젝트다. 같거나 비슷한 이름의 프로젝트가 많아 AnchorMind로 이름을 바꿨다. 명령어는 anchormind와 memento-mcp를 모두 쓸 수 있고, 일부 환경 변수는 MEMENTO_ 접두사를 그대로 쓴다.

기억의 단위

기억은 한두 문장짜리 파편으로 저장된다. 파편은 7가지 유형 중 하나다.

| 유형 | 내용 | |------|------| | fact | 설정값, 경로, 버전 같은 사실 | | decision | 기술 선택과 그 근거 | | error | 발생한 에러와 원인, 해결 방법 | | preference | 사용자의 스타일과 작업 방식 | | procedure | 배포, 빌드, 테스트 같은 반복 절차 | | relation | 엔티티 간 관계와 의존성 | | episode | 전후관계가 있는 서사(1000자, 나머지는 300자) |

주요 도구는 context(세션 시작 시 핵심 기억 복원), recall(검색), remember(저장), reflect(세션 종료 시 요약 저장)다. 전체 도구와 사용 규칙은 SKILL.md, 기능 전체 목록은 기능 상세에 있다.

벤치마크

LongMemEval-S 500문항 기준(2026-10-10 측정, 리더 deepseek-flash, 평가자 GPT-4o 공식 설정, MiniMax, Claude 소넷 5.5):

| 지표 | 점수 | 조건 | |-|-|-| | 근거 턴 전체가 top-10에 든 비율 | 91.2% | bge-m3, 구간 검색 켬 | | 검색 recall_any@5 | 98.4% | 세션 단위 | | QA 정답률 (GPT-4o 공식 평가자) | 84.0% | 95% CI 80.5–87.0% | | QA 정답률 (MiniMax 평가) | 84.0% | 95% CI 80.5–87.0% | | QA 정답률 (Claude 평가) | 78.0% | 95% CI 74.2–81.4% |

검색은 근거를 대부분 찾아 온다. 남은 오답은 여러 세션의 값을 합산하거나 날짜를 계산하는 질문(multi-session, temporal-reasoning)에 몰려 있다. 측정 조건과 분석은 Benchmark Report.

문서

| 할 일 | 문서 | |-------------|------| | 처음 설치하고 검증 | 시스템 요구사항, Quick Start, First Memory Flow, INSTALL.md | | 클라이언트 연결 | 클라이언트별 연결, Claude Code, 플러그인, 훅 | | 문제 해결 | Troubleshooting | | 업데이트 | 업그레이드 노트 | | 운영 | 보안과 운영 점검, 백업과 복구, 모니터링, 관리자 콘솔 | | 설정값 | Configuration | | 전체 기능 | 기능 상세, Features | | 인터페이스 | API Reference, CLI, SKILL.md | | 내부 구조 | Architecture, Internals | | 변경 이력 | CHANGELOG |

License

Apache 2.0

Made by Jinho Choi  |  Buy me a coffee