MemPalace: 배우 밀라 요보비치가 만든 최고 점수 AI 메모리 시스템 완전 분석

게시 2026/04/09

By BLUEBUG

41 분읽는 시간

작성일: 2026년 4월 9일
출처: GitHub - milla-jovovich/mempalace | mempalace.tech
버전: v3.0.0 (2026년 4월 6일 출시)
라이선스: MIT (무료 오픈소스)

프로젝트 탄생 배경
MemPalace란 무엇인가
핵심 철학: 왜 기억 궁전인가
The Palace: 계층적 아키텍처
저장 전략: Raw Verbatim의 역설
4계층 메모리 스택
AAAK 방언: 실험적 압축 레이어
지식 그래프 (Knowledge Graph)
MCP 서버 및 19가지 도구
벤치마크 성과 및 논란
경쟁 시스템 비교
설치 및 사용 방법
Claude Code 통합
커뮤니티 반응과 출시 논란
4월 7일 정정 노트: 제작자의 솔직한 고백
실전 활용 시나리오
종합 평가

1. 프로젝트 탄생 배경

밀라 요보비치는 왜 AI 메모리 시스템을 만들었나

영화 《레지던트 이블》과 《제5원소》로 유명한 배우 밀라 요보비치(Milla Jovovich)가 2025년 말부터 AI를 집중적으로 사용하기 시작하면서 한 가지 근본적인 문제에 부딪혔다. 바로 AI 건망증(AI Amnesia) 이었다.

대부분의 AI 모델은 대화가 끝나면 이전 맥락을 기억하지 못한다. 수개월에 걸쳐 AI와 함께 문제를 해결하고, 아이디어를 발전시키고, 중요한 결정을 내려왔지만 — 세션이 종료되면 그 모든 것이 사라진다. 다음 대화에서는 처음부터 다시 시작해야 한다.

Mem0, Zep 같은 기존 AI 메모리 솔루션들도 존재했지만, 요보비치는 이것들이 근본적으로 불완전하다고 느꼈다. AI가 스스로 “중요하다”고 판단하는 것만 저장하고, 나머지는 버려버리기 때문이다. 예를 들어 AI는 “사용자가 PostgreSQL을 선호한다”는 결론은 저장하지만, 그 선택에 이르기까지의 논의 과정, 비교했던 대안들, 고려했던 트레이드오프 — 이 모든 컨텍스트는 사라진다.

요보비치는 개발자 벤 시그먼(Ben Sigman) 과 협력하여 Claude Code를 주력 도구로 삼아 수개월간 이 문제를 해결할 시스템을 개발했다. 그 결과물이 바로 MemPalace다.

2026년 4월 5일, 밀라 요보비치는 자신의 GitHub 계정(github.com/milla-jovovich)에 직접 코드를 푸시했다. MIT 라이선스. 완전 무료. 48시간 만에 7,000개 이상의 스타를 받았다.

2. MemPalace란 무엇인가

MemPalace는 한 문장으로 요약하면 이렇다:

“모든 것을 저장하고, 찾을 수 있게 만든다.”

기존 메모리 시스템이 “무엇을 기억할 것인가”를 AI가 결정하는 방식이라면, MemPalace는 모든 대화를 원문 그대로 저장하고 대신 계층적 구조를 통해 나중에 정확하게 검색할 수 있게 한다.

주요 특징을 정리하면 다음과 같다:

완전 로컬 실행: 모든 데이터가 사용자의 기기에만 저장된다. 서버 전송 없음.
무료 오픈소스: MIT 라이선스, 구독료 없음.
LongMemEval 96.6%: 유료 솔루션을 모두 넘어서는 벤치마크 점수 (API 키 불필요).
이중 검색 엔진: ChromaDB(의미 기반) + SQLite(구조 기반) 동시 활용.
MCP 호환: Claude, ChatGPT, Cursor, Gemini 등 모든 MCP 호환 AI에서 사용 가능.
Claude Code 플러그인: 마켓플레이스에서 원클릭 설치 지원.

3. 핵심 철학: 왜 기억 궁전인가

고대 그리스의 기억술과 AI의 만남

프로젝트 이름 “MemPalace”는 고대 그리스 웅변가들이 사용하던 기억 기법인 기억 궁전(Memory Palace, 또는 Method of Loci) 에서 직접 따왔다.

기억 궁전 기법은 이렇게 작동한다: 기억해야 할 정보를 상상 속의 건물 각 방에 배치한다. 나중에 그 건물을 머릿속으로 걸어다니면 각 방의 정보를 순서대로 떠올릴 수 있다. 구조가 기억을 가능하게 만드는 것이다.

MemPalace는 이 원리를 그대로 AI 메모리에 적용했다. 대화와 지식을 단순히 플랫(flat)하게 쌓아두는 것이 아니라, 건물의 구조처럼 계층적으로 조직화함으로써 AI가 “어디서 찾아야 하는지”를 즉시 알 수 있게 만든다.

이것이 핵심 차별점이다. 검색 엔진을 개선하는 것이 아니라, 검색 이전에 구조 자체를 만들어 검색 공간을 획기적으로 좁히는 것이다.

4. The Palace: 계층적 아키텍처

MemPalace의 구조는 6가지 개념으로 이루어진다: Wing, Room, Hall, Closet, Drawer, Tunnel. 각각을 건물의 비유로 이해하면 직관적이다.

구조 개요

graph TD
    subgraph WING_A["🏛️ Wing: Person / Project A"]
        RA1["🚪 Room: auth-migration"]
        RA2["🚪 Room: ci-pipeline"]
        RA3["🚪 Room: database-choice"]
        
        RA1 -->|hall| RA2
        RA1 -->|hall| RA3
        
        RA1 --> CA1["🗄️ Closet (Summary)"]
        CA1 --> DA1["📁 Drawer (Verbatim)"]
        CA1 --> DA2["📁 Drawer (Verbatim)"]
        
        RA2 --> CA2["🗄️ Closet (Summary)"]
        CA2 --> DA3["📁 Drawer (Verbatim)"]
    end

    subgraph WING_B["🏛️ Wing: Person / Project B"]
        RB1["🚪 Room: auth-migration"]
        RB2["🚪 Room: security"]
        
        RB1 -->|hall| RB2
        
        RB1 --> CB1["🗄️ Closet (Summary)"]
        CB1 --> DB1["📁 Drawer (Verbatim)"]
    end

    RA1 <-->|"🔗 tunnel (cross-wing)"| RB1
    
    style WING_A fill:#e8f4f8,stroke:#4a9eca
    style WING_B fill:#f0f8e8,stroke:#5aae5a

각 구성 요소 상세 설명

Wing (날개 / 최상위 단위)
Wing은 “사람” 또는 “프로젝트”에 해당하는 최상위 구획이다. 예를 들어 wing_kai(팀원 Kai), wing_driftwood(프로젝트 Driftwood) 같은 식으로 구분된다. Wing은 필요한 만큼 무제한으로 생성할 수 있다.

Room (방 / 주제별 공간)
각 Wing 내부는 여러 Room으로 나뉜다. Room은 해당 Wing의 특정 주제나 기능 영역을 나타낸다. auth-migration, graphql-switch, ci-pipeline 같은 이름이 붙는다. MemPalace 초기화 시 자동으로 감지되며, 사용자가 직접 커스터마이징할 수도 있다.

Hall (복도 / Wing 내부 연결)
같은 Wing 안에서 서로 관련된 Room들을 연결하는 논리적 통로다. Hall은 고정된 5가지 타입으로 구성되며, 모든 Wing에 동일하게 적용된다:

hall_facts: 결정된 사항, 확정된 선택들
hall_events: 작업 세션, 마일스톤, 디버깅 기록
hall_discoveries: 돌파구, 새로운 인사이트
hall_preferences: 습관, 선호, 의견
hall_advice: 추천 사항과 솔루션

Closet (서랍장 / 요약 포인터)
각 Room에 연결된 요약 레이어다. Closet은 원본 내용으로 바로 이동할 수 있는 포인터 역할을 한다. 현재 버전(v3.0.0)에서는 일반 텍스트 요약으로 구성되며, 향후 업데이트에서 AAAK 압축이 적용될 예정이다.

Drawer (서랍 / 원본 저장소)
실제 대화 내용이 원문 그대로 저장되는 공간이다. 요약되거나 편집되지 않는다. ChromaDB에 임베딩 벡터와 함께 보관된다.

Tunnel (터널 / Wing 간 연결)
서로 다른 Wing에 같은 이름의 Room이 존재할 때 자동으로 생성되는 교차 연결이다. 예를 들어 wing_kai와 wing_driftwood 양쪽에 auth-migration Room이 있다면, 터널이 이 둘을 연결해 한 번의 검색으로 두 Wing의 관련 정보를 모두 가져올 수 있다.

구조가 성능에 미치는 영향

22,000개 이상의 실제 대화 메모리를 대상으로 측정한 검색 정확도:

검색 방식	R@10	향상
전체 Closet 검색 (무필터)	60.9%	기준선
Wing 필터 적용	73.1%	+12%
Wing + Hall 필터 적용	84.8%	+24%
Wing + Room 필터 적용	94.8%	+34%

Wing과 Room 구조는 단순한 UI 요소가 아니다. 검색 정확도를 34%포인트 끌어올리는 핵심 엔진이다.

5. 저장 전략: Raw Verbatim의 역설

“단순한 것이 이겼다”

MemPalace의 가장 반직관적인 발견은 이것이다: 원문 그대로 저장하는 것이 AI가 요약·추출한 것보다 훨씬 높은 검색 정확도를 보인다.

기존 메모리 시스템(Mem0, Zep 등)은 대화에서 중요한 정보를 LLM이 추출한 다음 그것만 저장한다. 이 접근법의 문제는 추출 과정에서 필연적으로 정보가 손실된다는 것이다. “사용자가 PostgreSQL을 선호한다”는 결론은 남지만, 왜 그런 결론에 이르렀는지, 어떤 대안을 고려했는지, 어떤 트레이드오프를 감수했는지 — 이 모든 컨텍스트는 사라진다.

MemPalace의 접근법은 정반대다: 모든 교환 내용을 ChromaDB에 원문 그대로 저장한다. LLM이 “무엇이 중요한가”를 판단하는 단계를 완전히 제거한다. 대신 의미 기반 검색(semantic search)이 필요할 때 적절한 내용을 찾아준다.

벤치마크 문서에는 이 발견이 이렇게 기술되어 있다:

“아무도 이 결과를 발표하지 않았던 이유는 아무도 단순한 방법을 시도해보고 제대로 측정하지 않았기 때문이다. 분야 전체가 메모리 추출 단계를 과도하게 엔지니어링하고 있었다.”

비용 비교: 6개월치 AI 대화를 기억하는 법

하루 AI를 사용하면 약 1만 토큰의 대화가 생성된다. 6개월이면 약 1,950만 토큰에 달한다. 이를 처리하는 방식별 비용:

방식	토큰 로드량	연간 비용
전부 붙여넣기	1,950만 (불가능)	불가능
LLM 요약	약 65만 토큰	약 $507/년
MemPalace wake-up	약 170 토큰	약 $0.70/년
MemPalace + 검색 5회	약 13,500 토큰	약 $10/년

6. 4계층 메모리 스택

MemPalace는 메모리를 4개의 레이어로 구조화한다. AI가 세션을 시작할 때 L0와 L1은 항상 자동 로드되고, L2와 L3는 필요할 때만 호출된다.

graph LR
    L0["L0\n🆔 Identity\n~50 tokens\n항상 로드"]
    L1["L1\n🔑 Critical Facts\n~120 tokens AAAK\n항상 로드"]
    L2["L2\n📋 Room Recall\n최근 세션/현재 프로젝트\n주제 등장 시 로드"]
    L3["L3\n🔍 Deep Search\n전체 Closet 의미 검색\n명시적 요청 시 로드"]
    
    L0 --> L1 --> L2 --> L3
    
    style L0 fill:#4a9eca,color:#fff
    style L1 fill:#5aae5a,color:#fff
    style L2 fill:#f0a030,color:#fff
    style L3 fill:#c06060,color:#fff

L0 — Identity (~50 토큰, 항상 로드)
이 AI가 누구인지 정의하는 최소한의 신원 정보. 항상 컨텍스트에 포함된다.

L1 — Critical Facts (~120 토큰, 항상 로드)
팀원, 프로젝트, 핵심 선호사항 등 가장 자주 참조되는 사실들. AAAK 압축 포맷으로 저장되어 최소 토큰으로 최대 정보를 전달한다. AI는 세션 시작 시 L0+L1 합쳐 약 170 토큰만으로 사용자의 전체 세계를 파악한다.

L2 — Room Recall (온디맨드)
현재 진행 중인 프로젝트나 최근 세션과 관련된 기억. 특정 주제가 대화에 등장할 때 자동으로 로드된다.

L3 — Deep Search (온디맨드)
전체 Closet을 대상으로 한 의미 기반 검색. 사용자가 명시적으로 무언가를 찾을 때만 실행된다.

7. AAAK 방언: 실험적 압축 레이어

AAAK가 무엇인가

AAAK(발음: “아악”)는 반복되는 엔티티와 관계를 더 적은 토큰으로 표현하기 위해 설계된 손실 압축 방언이다. 엔티티 코드, 구조 마커, 문장 단축을 조합해서 만든다.

중요한 특징은 AAAK가 특별한 디코더 없이 모든 LLM이 읽을 수 있다는 것이다. Claude, GPT, Gemini, Llama, Mistral — 텍스트를 읽을 수 있는 어떤 모델이든 AAAK를 이해할 수 있다. 일종의 “매우 압축된 영어”이기 때문이다.

솔직한 현황 (2026년 4월 기준)

제작자들이 4월 7일 README를 직접 수정하며 공개한 정직한 상태:

AAAK는 손실 압축이다, 무손실이 아니다.
소규모 텍스트에서는 토큰을 절약하지 못한다. 짧은 텍스트는 이미 효율적으로 토큰화되기 때문에 AAAK 오버헤드(코드, 구분자)가 더 많은 토큰을 쓴다.
대규모에서는 효과적이다: 동일한 팀원이 수백 번, 동일한 프로젝트가 수천 세션에 걸쳐 언급될 때 엔티티 코드가 압축 효과를 발휘한다.
현재 LongMemEval에서 역행한다: AAAK 모드는 84.2% R@5, Raw 모드는 96.6% R@5. 96.6% 헤드라인 수치는 AAAK가 아닌 Raw 모드에서 나온 것이다.

AAAK는 현재 개발 중인 실험적 기능이다. Issue #43과 #27에서 진행 상황을 추적할 수 있다.

8. 지식 그래프 (Knowledge Graph)

MemPalace는 단순 벡터 검색을 넘어 시간 기반 엔티티-관계 트리플 구조의 지식 그래프를 내장하고 있다. Zep의 Graphiti와 유사하지만 Neo4j 대신 SQLite를 사용해 완전 로컬로 작동한다.

  
from mempalace.knowledge_graph import KnowledgeGraph

kg = KnowledgeGraph()
kg.add_triple("Kai", "works_on", "Orion", valid_from="2025-06-01")
kg.add_triple("Maya", "assigned_to", "auth-migration", valid_from="2026-01-15")
kg.add_triple("Maya", "completed", "auth-migration", valid_from="2026-02-01")

# 현재 Kai가 뭘 하고 있나?
kg.query_entity("Kai")
# → [Kai → works_on → Orion (현재), Kai → recommended → Clerk (2026-01)]

# 1월에는 어땠나? (시간 여행 쿼리)
kg.query_entity("Maya", as_of="2026-01-20")
# → [Maya → assigned_to → auth-migration (활성)]

각 사실에는 유효 기간이 있다. 더 이상 사실이 아닐 때 무효화(invalidate)하면, 그 이후의 쿼리에서는 등장하지 않지만 과거 시점의 쿼리에서는 여전히 보인다.

graph LR
    KAI["👤 Kai"]
    MAYA["👤 Maya"]
    AUTH["📋 auth-migration"]
    ORION["🚀 Orion"]
    CLERK["🔑 Clerk"]
    
    KAI -->|"works_on\n(2025-06 ~)"| ORION
    KAI -->|"recommended\n(2026-01)"| CLERK
    MAYA -->|"assigned_to\n(2026-01-15)"| AUTH
    MAYA -->|"completed\n(2026-02-01)"| AUTH
    
    style KAI fill:#4a9eca,color:#fff
    style MAYA fill:#5aae5a,color:#fff

9. MCP 서버 및 19가지 도구

MemPalace는 19개의 MCP 도구를 통해 Claude, ChatGPT, Cursor 등 MCP 호환 AI와 연동된다. AI가 자동으로 도구를 호출하기 때문에 사용자는 mempalace search 명령을 직접 입력할 필요가 없다.

궁전 읽기 도구 (7개)

도구	기능
`mempalace_status`	궁전 전체 개요 + AAAK 스펙 + 메모리 프로토콜
`mempalace_list_wings`	전체 Wing 목록과 개수
`mempalace_list_rooms`	특정 Wing 내 Room 목록
`mempalace_get_taxonomy`	Wing → Room → 개수 전체 트리
`mempalace_search`	Wing/Room 필터 포함 의미 기반 검색
`mempalace_check_duplicate`	저장 전 중복 확인
`mempalace_get_aaak_spec`	AAAK 방언 참조 문서

궁전 쓰기 도구 (2개)

도구	기능
`mempalace_add_drawer`	원문 내용 Drawer에 저장
`mempalace_delete_drawer`	ID로 Drawer 삭제

지식 그래프 도구 (5개)

도구	기능
`mempalace_kg_query`	시간 필터 포함 엔티티 관계 조회
`mempalace_kg_add`	새 사실 추가
`mempalace_kg_invalidate`	사실 만료 처리
`mempalace_kg_timeline`	엔티티의 시간순 스토리
`mempalace_kg_stats`	그래프 통계

내비게이션 도구 (3개)

도구	기능
`mempalace_traverse`	특정 Room에서 Wing 간 그래프 탐색
`mempalace_find_tunnels`	두 Wing을 연결하는 Room 탐색
`mempalace_graph_stats`	그래프 연결성 통계

에이전트 다이어리 도구 (2개)

도구	기능
`mempalace_diary_write`	AAAK 다이어리 항목 작성
`mempalace_diary_read`	최근 다이어리 항목 읽기

10. 벤치마크 성과 및 논란

LongMemEval이란

LongMemEval은 AI 메모리 시스템의 성능을 측정하는 학술 벤치마크로, 5가지 기준으로 평가한다: 정보 추출, 멀티세션 추론, 시간적 추론, 지식 업데이트, 기권(abstention). 500개의 질문으로 구성된다.

공식 벤치마크 결과

벤치마크	모드	점수	API 호출
LongMemEval R@5	Raw (ChromaDB만)	96.6%	0회
LongMemEval R@5	Hybrid + Haiku 리랭크	100% (500/500)	~500회
LoCoMo R@10	Raw, 세션 레벨	60.3%	0회
개인 궁전 R@10	휴리스틱 벤치	85%	0회
구조 효과	Wing+Room 필터링	+34% R@10 향상	0회

논란의 시작: 100% vs 96.6%

출시 초기 README에는 “LongMemEval 100% 달성, 세계 최초”라고 기재되었다. 개발자 커뮤니티는 즉각 이 주장을 검증하기 시작했다. GitHub Issues #27과 #29가 기술적 논쟁의 진원지가 되었다.

커뮤니티가 제기한 핵심 문제들:

top-k=50 사용: 100% 결과는 top-k=50(세션 수를 초과하는 값)을 사용해 달성한 것으로, 실질적인 검색이 아닌 “전부 가져오기”에 가까웠다. 의미 있는 수치는 top-k=10에서의 결과다.
AAAK 토큰 계산 오류: 실제 토크나이저 대신 휴리스틱(len(text)//3)을 사용해 토큰 수를 계산했다. OpenAI 토크나이저로 실측하면 영문 예시가 66 토큰, AAAK 예시가 73 토큰으로, AAAK가 오히려 더 많은 토큰을 쓴다.
“+34% 궁전 부스트” 과장: 메타데이터 필터링을 적용한 것으로, ChromaDB의 표준 기능이지 MemPalace 고유의 기술적 혁신이 아니다.
모순 감지 기능 미구현: README에는 자동 모순 감지가 구현된 것처럼 기재되었으나, 실제로는 별도 유틸리티(fact_checker.py)만 존재하며 지식 그래프에 연동되지 않은 상태였다.

한편으로, M2 Ultra 기기에서 5분 이내에 독립적으로 재현한 사용자(@gizmax)가 96.6% 결과를 확인해줬다. 96.6% 수치 자체는 실제다.

11. 경쟁 시스템 비교

LongMemEval 성능 비교

시스템	LongMemEval R@5	API 필요 여부	월 비용
MemPalace (hybrid)	100%	선택적	무료
Supermemory ASMR	~99%	필요	별도
MemPalace (raw)	96.6%	불필요	무료
Mastra	94.87%	필요 (GPT)	API 비용
Mem0	~85%	필요	$19~249/월
Zep	~85%	필요	$25/월+

지식 그래프 기능 비교

기능	MemPalace	Zep (Graphiti)
스토리지	SQLite (로컬)	Neo4j (클라우드)
비용	무료	$25/월+
시간적 유효성	지원	지원
자체 호스팅	항상 가능	엔터프라이즈만
데이터 주권	완전 로컬	SOC 2, HIPAA

에이전트 메모리 비용 비교

Letta는 에이전트 관리형 메모리에 $20~200/월을 청구한다. MemPalace는 Wing 하나로 동일한 기능을 무료로 제공한다.

12. 설치 및 사용 방법

요구사항

Python 3.9 이상
chromadb>=0.4.0
pyyaml>=6.0
API 키 불필요
설치 후 인터넷 연결 불필요

기본 설치 및 초기화

pip install mempalace

# 프로젝트 초기화 (Wing 설정, AAAK 부트스트랩 생성)
mempalace init ~/projects/myapp

데이터 수집 (Mining)

  
# 프로젝트 파일 수집
mempalace mine ~/projects/myapp

# 대화 내보내기 수집 (Claude, ChatGPT, Slack)
mempalace mine ~/chats/ --mode convos

# Wing 태그와 함께 수집 + 자동 분류
mempalace mine ~/chats/ --mode convos --extract general

general 모드는 대화를 자동으로 결정(decisions), 선호(preferences), 마일스톤(milestones), 문제(problems), 감정적 맥락(emotional context)으로 분류한다.

검색

  
# 전체 검색
mempalace search "왜 GraphQL로 전환했나"

# Wing 내에서 검색
mempalace search "데이터베이스 결정" --wing orion

# Room 내에서 검색
mempalace search "인증 방식" --room auth-migration

컨텍스트 로딩 (Wake-up)

  
# L0 + L1 컨텍스트 로드 (약 170 토큰)
mempalace wake-up

# 특정 프로젝트 컨텍스트로 로드
mempalace wake-up --wing myproject

대규모 파일 분할

일부 대화 내보내기 파일은 여러 세션이 하나의 대용량 파일에 합쳐져 있다:

  
mempalace split ~/chats/                       # 세션별로 분리
mempalace split ~/chats/ --dry-run             # 미리보기
mempalace split ~/chats/ --min-sessions 3      # 3개 이상 세션만 분리

13. Claude Code 통합

마켓플레이스 설치 (권장)

claude plugin marketplace add milla-jovovich/mempalace
claude plugin install --scope user mempalace

Claude Code 재시작 후 /skills를 입력해 “mempalace”가 표시되면 설치 완료다.

자동 저장 훅

Claude Code가 대화 중 자동으로 메모리를 저장하도록 훅을 설정할 수 있다:

  
{
  "hooks": {
    "Stop": [{
      "matcher": "",
      "hooks": [{
        "type": "command",
        "command": "/path/to/mempalace/hooks/mempal_save_hook.sh"
      }]
    }],
    "PreCompact": [{
      "matcher": "",
      "hooks": [{
        "type": "command",
        "command": "/path/to/mempalace/hooks/mempal_precompact_hook.sh"
      }]
    }]
  }
}

Save Hook: 15개 메시지마다 트리거. 주제, 결정, 인용문, 코드 변경사항을 구조화해서 저장.
PreCompact Hook: 컨텍스트 압축 전에 트리거. 창이 줄어들기 전 비상 저장.

전문 에이전트 설정

여러 전문 에이전트를 정의하고 각각 독립적인 메모리를 유지할 수 있다:

~/.mempalace/agents/
  ├── reviewer.json       # 코드 품질, 패턴, 버그 전문
  ├── architect.json      # 설계 결정, 트레이드오프 전문
  └── ops.json            # 배포, 장애, 인프라 전문

CLAUDE.md에는 단 한 줄만 추가하면 된다:

You have MemPalace agents. Run mempalace_list_agents to see them.

에이전트가 50개로 늘어도 CLAUDE.md 크기는 변하지 않는다.

14. 커뮤니티 반응과 출시 논란

MemPalace 출시는 AI와 개발자 커뮤니티에서 동시에 화제가 된 희귀한 사례였다.

바이럴 확산: 2026년 4월 6일 출시 후 48시간 만에 7,000개 이상의 GitHub 스타를 획득했다. 현재(4월 9일 기준) 26,900개 스타, 3,300개 포크. Ben Sigman의 런치 트윗은 150만 임프레션을 돌파했다.

셀러브리티 효과와 냉소: “《레지던트 이블》의 그 밀라 요보비치가 GitHub 계정을 가지고 있다”, “내 2026년 빙고 카드에는 없었던 일” 같은 반응이 쏟아졌다. 기술 평론가 Brian Roemmele는 트윗에 그치지 않고 자신의 The Zero-Human Company 직원 79명에게 실제 배포했다.

기술적 비판: HackerNews 스레드에서 벤치마크 방법론에 대한 심층 분석이 이루어졌다. 일부는 benchmark 파이프라인의 실제 구현을 들여다봤고, 다른 일부는 “GitHub 이슈를 심사하는 상대가 좀비와 싸운 여배우라는 사실이 믿기지 않는다”는 반응을 보였다.

HackerNews의 한 논평이 이 상황을 잘 요약한다:

“벤치마크는 논쟁의 여지가 있다. 아키텍처는 흥미롭다. 밀라 요보비치의 레포지토리에 올라온 GitHub 이슈를 내가 리뷰하고 있다는 사실은… 오늘 전혀 예상하지 못했던 일이다.”

15. 4월 7일 정정 노트: 제작자의 솔직한 고백

출시 48시간 후, 밀라 요보비치와 Ben Sigman은 README에 직접 수정 사항을 공개했다. AI 업계에서 보기 드문 수준의 솔직함이었다.

잘못된 사항

AAAK 토큰 예시 오류: 실제 토크나이저 대신 대략적인 휴리스틱(len(text)//3)을 사용했다. OpenAI 토크나이저로 측정하면 영어 예시 66 토큰, AAAK 예시 73 토큰으로 AAAK가 더 많다.

“30배 무손실 압축” 과장: AAAK는 손실 압축 시스템이다. 독립 벤치마크에서 AAAK 모드는 84.2%, Raw 모드는 96.6%로 12.4%포인트 역행한다.

“+34% 궁전 부스트” 오해의 소지: 이 수치는 메타데이터 필터링을 적용한 것으로, ChromaDB의 표준 기능을 활용한 것이다. 실제로 유용하지만 MemPalace만의 고유한 기술은 아니다.

모순 감지 미구현: fact_checker.py가 지식 그래프에 연동되지 않은 상태였다.

“Haiku 리랭크로 100%”: 결과 파일은 존재하지만 리랭크 파이프라인이 공개 벤치마크 스크립트에 포함되지 않았다.

여전히 사실인 사항

Raw 모드에서 LongMemEval R@5 96.6%, 500개 질문, API 호출 0회. M2 Ultra에서 5분 이내 독립 재현 확인.
완전 로컬, 무료, 구독 없음, 클라우드 없음.
아키텍처(Wings, Rooms, Closets, Drawers)는 실제로 작동하며 유용하다.

개선 계획

실제 토크나이저를 사용한 AAAK 예시 재작성
Raw/AAAK/Rooms 모드별 트레이드오프를 벤치마크 문서에 명시
fact_checker.py를 KG 작업에 연동
ChromaDB 버전 고정(Issue #100), 훅의 셸 인젝션 수정(Issue #110), macOS ARM64 세그폴트 수정(Issue #74)

16. 실전 활용 시나리오

시나리오 1: 솔로 개발자가 여러 프로젝트를 관리하는 경우

  
# 각 프로젝트의 대화를 Wing별로 수집
mempalace mine ~/chats/orion/  --mode convos --wing orion
mempalace mine ~/chats/nova/   --mode convos --wing nova
mempalace mine ~/chats/helios/ --mode convos --wing helios

# 6개월 뒤: "왜 여기서 Postgres를 썼지?"
mempalace search "데이터베이스 결정" --wing orion
# → "동시 쓰기와 10GB 초과 데이터셋 때문에 SQLite 대신 Postgres 선택.
#    2025-11-03에 결정."

# 프로젝트 간 교차 검색
mempalace search "rate limiting 접근법"
# → Orion과 Nova 양쪽의 방식을 찾아서 차이점을 보여줌

시나리오 2: 팀 리드가 제품을 관리하는 경우

  
# Slack 내보내기와 AI 대화 수집
mempalace mine ~/exports/slack/ --mode convos --wing driftwood

# "Soren이 지난 스프린트에 뭘 했지?"
mempalace search "Soren sprint" --wing driftwood
# → 14개 Closet: OAuth 리팩터, 다크 모드, 컴포넌트 라이브러리 마이그레이션

# "Clerk 도입은 누가 결정했나?"
mempalace search "Clerk 결정" --wing driftwood
# → "Kai가 가격과 개발자 경험으로 Auth0 대신 Clerk 추천.
#    팀 동의 2026-01-15. Maya가 마이그레이션 담당."

시나리오 3: RummiArena/LxM 같은 AI 오케스트레이션 프로젝트에서의 활용

다수의 AI 에이전트가 협업하는 프로젝트에서 MemPalace는 특히 강력하다:

각 에이전트(리뷰어, 아키텍트, 옵스)가 독립적인 Wing과 다이어리를 갖는다.
크로스 Wing 터널로 에이전트 간 공유 컨텍스트를 연결한다.
6개월간의 CI/CD 결정, 아키텍처 논의, 보안 취약점 발견 기록이 모두 구조화되어 보존된다.
Claude Code 훅으로 세션이 끝날 때 자동 저장된다.

17. 종합 평가

진짜로 혁신적인 것

MemPalace의 핵심 발견은 기술적으로 진지하게 받아들일 필요가 있다. “원문 그대로 저장하는 것이 AI 추출보다 낫다”는 통찰은 반직관적이지만, 벤치마크 결과가 뒷받침한다. 그리고 이 결과는 독립적으로 재현되었다.

기억 궁전 은유를 AI 메모리에 적용한 계층 구조도 단순한 마케팅이 아니다. 구조가 실제로 검색 정확도를 34%포인트 향상시킨다는 데이터가 있다.

완전 로컬, 무료, MIT 라이선스라는 조합도 강력하다. Mem0나 Zep에 월 수십 달러를 내는 것과 비교하면, AI 메모리의 접근성을 근본적으로 바꾸는 프로젝트다.

한계와 주의사항

현재 시점에서 주의해야 할 사항:

AAAK 압축은 아직 실험적이다. 현재로선 Raw 모드가 더 높은 정확도를 보인다.
모순 감지 기능이 아직 실제로 작동하지 않는다.
macOS ARM64 세그폴트 버그가 미해결 상태다.
ChromaDB 버전 고정 문제가 있어 특정 환경에서 설치가 복잡할 수 있다.

기술 선택에 대한 메모

Python 환경이 있고 ChromaDB 설치에 익숙한 개발자라면 지금 바로 시도해볼 만하다. Claude Code를 주력으로 쓰고 있다면 플러그인 통합이 특히 매력적이다. mempalace init으로 시작해서 기존 Claude/ChatGPT 대화를 --mode convos로 수집하는 것이 가장 빠른 진입 경로다.

참고 자료

GitHub 레포지토리: https://github.com/milla-jovovich/mempalace
독립 리소스 허브: https://www.mempalace.tech
벤치마크 상세: https://github.com/milla-jovovich/mempalace/blob/main/benchmarks/BENCHMARKS.md
Decrypt 기사: https://decrypt.co/363524/fifth-element-milla-jovovich-ai-tool-mempalace
Cybernews 분석: https://cybernews.com/ai-news/milla-jovovich-mempalace-memory-tool/
탄생 스토리 전문: https://www.mempalace.tech/story

이 문서는 GitHub README, 공식 벤치마크 문서, mempalace.tech 및 다수의 기술 미디어 보도를 바탕으로 작성되었습니다. 2026년 4월 9일 기준 정보입니다.

AI, RAG & Knowledge Retrieval

AI MemPalace ai-amnesia claude-code knowledge-graph MCP LongMemEval Claude.write