# Show GN: Brain-AI Memory – 장기 실행 LLM 에이전트의 메모리 실패를 진단하는 오픈 아키텍처

> Clean Markdown view of GeekNews topic #31435. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=31435](https://news.hada.io/topic?id=31435)
- GeekNews Markdown: [https://news.hada.io/topic/31435.md](https://news.hada.io/topic/31435.md)
- Type: show
- Author: [gkgusdl4](https://news.hada.io/@gkgusdl4)
- Published: 2026-07-14T19:24:30+09:00
- Updated: 2026-07-14T19:24:30+09:00
- Original source: [github.com/Hahyun-Lee](https://github.com/Hahyun-Lee/brain-ai-memory)
- Points: 1
- Comments: 1

## Topic Body

에이전트가 오래된 기억을 사용하거나, 이미 기록한 것을 다시 묻거나, 규칙을 무시하거나, fallback 절차를 중간에 포기하는 문제를 모두 “retrieval 문제”로 보면 원인을 찾기 어렵습니다.  
Brain-AI Memory는 RAG, hook, guard, harness, loop를 새 이름으로 부르는 프로젝트가 아닙니다. 이들을 episodic·semantic memory, procedural rule·execution, numerical state, routing, input gate로 구분하고 각각의 실패 조건과 lifecycle을 연결합니다.  
몇 달간 실제 multi-project agent system에서 사용한 구조를 clean-room 방식으로 공개했습니다. 60초 실행 예제, 재사용 가능한 hook과 memory template, 운영 근거, 500문항 LongMemEval-S retrieval 결과를 포함합니다.  
Benchmark의 부정적 결과도 그대로 공개했습니다. 96-keyword pointer는 indexed text를 93% 줄였지만 recall@3는 full BM25의 86.1%에서 71.0%로 낮아졌습니다.  
특히 실제 agent failure가 이 component mapping에 잘 들어맞는지, 어디에서 맞지 않는지에 대한 피드백을 받고 싶습니다.

## Comments



### Comment 61798

- Author: gkgusdl4
- Created: 2026-07-14T19:26:37+09:00
- Points: 1

한국어 README:  
https://github.com/Hahyun-Lee/brain-ai-memory/blob/main/README.ko.md  
  
60초 실행:  
git clone https://github.com/Hahyun-Lee/brain-ai-memory.git  
cd brain-ai-memory  
python3 examples/01_guard_in_action.py  
python3 examples/02_lifecycle_decision.py  
  
특히 두 가지 피드백이 궁금합니다.  
  
1. 실제 장기 실행 agent의 failure가 이 component mapping으로 충분히 구분되는가?  
2. 실제 채택을 위해 더 필요한 것은 installable reference implementation인가, end-to-end QA benchmark인가?