월 AI 구독비를 꼬박꼬박 내고 있는데, 이상합니다. 지난주에 분명히 제품 목록을 다 알려줬는데 오늘 AI는 또 처음 본 것처럼 물어봅니다. 그 사이 토큰은 계속 빠져나가고 있습니다.
2026년 8월, 텐센트가 이 문제를 무료 오픈소스로 해결했습니다. GitHub 트렌딩 1위를 달리는 TencentDB Agent Memory입니다.
AI가 기억을 못 하는 진짜 이유
일반적인 AI 서비스는 대화가 끝나면 내용을 전부 지웁니다. 다음 대화를 시작할 때는 회사 이름도, 지난달 작업 맥락도, 고객 응대 방식도 처음부터 다시 설명해야 합니다.
결과적으로 AI를 쓰면 쓸수록 맥락 설명에 더 많은 토큰을 씁니다. AI 직원을 고용했는데 매일 아침 입사 첫날처럼 회사 소개를 반복해야 하는 구조입니다.
이 구조적 문제를 해결하는 기술이 AI 에이전트 메모리 허브입니다. AI가 배운 내용을 별도 저장소에 쌓아두고, 다음에 같은 상황이 오면 바로 꺼내 쓰는 방식이죠.
그럼 텐센트의 이 도구, 4가지 기억 창고가 실제로 어떻게 구성돼 있을까요?
4계층 기억 창고 — 뭘 어디에 저장하나
TencentDB Agent Memory는 AI가 배운 내용을 목적에 따라 4가지 저장소에 나눠 보관합니다.
| 계층 | 이름 | 저장 내용 | 중소기업 활용 예시 |
|---|---|---|---|
| 1계층 | Chat Memory | 대화 기록 | "A거래처와 나눈 납기 협의 이력" |
| 2계층 | Skill | 반복 업무 방법 | "우리 회사 이메일 답변 형식" |
| 3계층 | LLM-Wiki | 업무 지식 | "제품 카탈로그, 가격표, 회사 규정" |
| 4계층 | Code-Graph | 코드 구조 | "사내 시스템 연동 로직" |
이 4개 저장소에 쌓인 내용을 여러 AI 에이전트가 동시에 꺼내 씁니다. 영업 AI, 고객응대 AI, 재고관리 AI가 같은 기억 창고를 공유하는 구조입니다.
도입하면 얼마나 달라지나
▲ OpenClaw 통합 기준 성능 측정 결과 · 출처: GitHub TencentCloud/TencentDB-Agent-Memory
OpenClaw 통합 테스트 기준으로 토큰 사용량이 61.38% 감소합니다. 작업 성공률은 51.52% 향상됩니다. 이미 학습한 맥락을 재사용하기 때문에 같은 결과를 더 적은 토큰으로 낼 수 있습니다.
이 수치에 개발자들이 주목했습니다. 2026년 8월 5일 기준 GitHub 스타가 12,900개를 넘었고 하루 1,100개 이상씩 늘었습니다. MIT 라이선스라 상업적으로도 무료로 쓸 수 있습니다.
솔직한 장단점 비교
장점: 완전 무료(MIT 라이선스), 팀 내 여러 AI가 같은 메모리 공유 가능, Docker 지원으로 팀 서버 배포 수월.
단점: 처음 지식 베이스를 구성하는 데 시간이 걸립니다. Python 환경이 처음이라면 초기 설정에 30~60분 정도 필요합니다.
클라우드 대안과 비교: Azure AI Memory나 AWS Bedrock의 유사 기능은 사용량에 따라 월정액이 붙습니다. TencentDB Agent Memory는 서버만 있으면 추가 비용이 없습니다. 초기 설정 부담이 있지만 장기 운영 비용은 훨씬 낮습니다.
필요 사양: Python 3.9 이상, RAM 4GB 이상. GPU는 필요 없습니다.
그렇다면 실제 사무실에서는 어떻게 쓸 수 있을까요?
중소기업 실제 활용 시나리오
소규모 제조업 영업팀을 예로 들겠습니다.
▲ 기억 허브 도입 전후 AI 토큰 사용량 변화 (개념도) · 출처: (주)비젼솔루션 구성
도입 전: AI에게 "A거래처 납기 조건 알려줘"라고 할 때마다 담당자가 거래처 파일을 직접 복붙해 넣습니다. 대화 한 번에 맥락 설명만으로 토큰이 수백 개 나갑니다. 월이 지나면 적지 않은 요금이 됩니다.
도입 후: LLM-Wiki에 거래처 조건을 한 번 저장해 두면 AI가 자동으로 참조합니다. 질문 한 줄에 답이 바로 나옵니다. 영업 AI, 발주 AI, 재고 AI가 모두 같은 정보를 공유합니다.
직원이 퇴사해도 그 직원이 AI와 쌓은 업무 맥락은 Chat Memory와 Skill 계층에 그대로 남습니다. 인수인계 누락 걱정이 줄어드는 이유입니다.
(주)비젼솔루션의 관점: AI 도입 비용의 핵심은 모델 성능이 아닙니다. 회사 지식을 AI에게 얼마나 효율적으로 전달하느냐입니다. 메모리 허브는 그 전달 비용을 처음 한 번만 내는 구조로 바꿔줍니다. "AI를 쓸수록 비용이 줄어드는" 선순환은 기억 인프라를 제대로 갖출 때 비로소 시작됩니다.
10분 실습 — 오늘 바로 써보기
Python이 설치된 PC라면 지금 시작할 수 있습니다.
1단계 — 패키지 설치
pip install tencentdb-agent-memory2단계 — 업무 지식 저장 (기본 예시)
아래는 개념을 보여주는 예시입니다. 실제 API 호출 방법은 GitHub README에서 확인하세요.
from tencentdb_agent_memory import MemoryHub
hub = MemoryHub()
# 회사 FAQ를 LLM-Wiki 계층에 저장
hub.save_wiki("product_faq", "Q: 납기는 얼마나 걸리나요? A: 주문 후 영업일 5일...")3단계 — 저장한 내용 꺼내 쓰기
# AI 에이전트가 답변 생성 시 자동으로 참조
answer = hub.retrieve("납기 관련 고객 문의 답변해줘")
print(answer)4단계 — Docker로 팀 서버에 배포
# docker-compose 파일은 GitHub 저장소에서 제공
docker compose up -d팀 서버에 올리면 전 직원의 AI 에이전트가 하나의 기억 창고를 씁니다. 자세한 에이전트 연동 예제와 설정 방법은 공식 GitHub 저장소에서 확인하세요.
기존 사내 ERP나 재고 시스템과 직접 연결하거나, 업무 자동화 흐름에 맞게 구성하려면 전문적인 설정이 필요합니다. 자사 환경에 맞는 맞춤 구성이 필요하시다면 비젼솔루션에 문의해 주세요.
Vision Solution AI 솔루션 문의: 📧 [email protected] 🌐 https://www.visionc.co.kr/ai-solution