• [02/09/2026] 🚀 크로스 세션 메모리 출시 - Claude-Mem 대비 64% 성능 향상! SimpleMem이 대화 간 영구 메모리를 지원합니다. LoCoMo 벤치마크에서 Claude-Mem 대비 64% 성능 향상을 달성했습니다. 에이전트가 이전 세션의 컨텍스트, 결정, 학습 내용을 자동으로 기억합니다. 크로스 세션 메모리 문서 보기 →
• [01/20/2026] SimpleMem이 PyPI에 출시되었습니다! 📦 pip install simplemem으로 직접 설치할 수 있습니다. 패키지 사용 가이드 보기 →
• [01/19/2026] SimpleMem Skill에 로컬 메모리 스토리지 추가! 💾 Claude Skills 내에서 로컬 메모리 저장 및 관리를 지원합니다.
• [01/18/2026] SimpleMem이 Claude Skills를 지원합니다! 🚀 claude.ai에서 대화 간 장기 기억을 실현하세요. mcp.simplemem.cloud에서 등록하고 토큰을 설정한 후 스킬을 가져오세요!
• [01/14/2026] SimpleMem MCP 서버 정식 출시 및 오픈 소스 공개! 🎉 mcp.simplemem.cloud에서 클라우드 메모리 서비스를 이용할 수 있습니다. Streamable HTTP MCP 프로토콜을 통해 LM Studio, Cherry Studio, Cursor, Claude Desktop과 통합됩니다. MCP 문서 보기 →
• [01/08/2026] 🔥 Discord와 WeChat 그룹에 참여하여 함께 협업하고 아이디어를 교환하세요!
• [01/05/2026] SimpleMem 논문이 arXiv에 공개되었습니다!

---

• 🌟 개요
• 🎯 주요 기여
• 🚀 성능 하이라이트
• 📦 설치
• ⚡ 빠른 시작
• 🔌 MCP 서버
• 📊 평가
• 📝 인용
• 📄 라이선스
• 🙏 감사의 말

---

SimpleMem은 의미적 무손실 압축에 기반한 효율적인 메모리 프레임워크로, LLM 에이전트의 효율적인 장기 기억이라는 근본적인 과제를 해결합니다. 중복 컨텍스트를 수동적으로 축적하거나 비용이 높은 반복적 추론 루프에 의존하는 기존 시스템과 달리, SimpleMem은 3단계 파이프라인을 통해 정보 밀도와 토큰 활용률을 극대화합니다:

🔍 단계 1 의미적 구조화 압축 비구조화 상호작용을 컴팩트한 다중 뷰 인덱스 메모리 유닛으로 증류

🗂️ 단계 2 온라인 의미 합성 세션 내 프로세스로 관련 컨텍스트를 통합 추상 표현으로 즉시 통합하여 중복 제거

🎯 단계 3 의도 인식 검색 계획 검색 의도를 추론하여 검색 범위를 동적으로 결정하고 효율적으로 정확한 컨텍스트를 구성

---

💡 핵심 장점:

• 🏆 최고 F1 점수: 43.24% (Mem0 대비 +26.4%, LightMem 대비 +75.6%)
• ⚡ 최고 검색 속도: 388.3s (LightMem보다 32.7% 빠름, Mem0보다 51.3% 빠름)
• 🚀 최고 종합 속도: 총 처리 시간 480.9s (A-Mem의 12.5배 빠름)

---

SimpleMem은 LLM 생성 프로세스에 통합된 암묵적 의미 밀도 게이팅 메커니즘을 적용하여 중복 상호작용 콘텐츠를 필터링합니다. 시스템은 원시 대화 스트림을 컴팩트한 메모리 유닛(공참조가 해결되고 절대 타임스탬프가 부여된 자체 완결적 사실)으로 재구성합니다. 각 유닛은 유연한 검색을 위해 세 가지 보완적 표현으로 인덱싱됩니다:

✨ 변환 예시:

- 입력:  "그가 내일 오후 2시에 Bob을 만날 거야"  [❌ 상대적, 모호함]
+ 출력: "Alice가 Starbucks에서 2025-11-16T14:00:00에 Bob을 만남"  [✅ 절대적, 원자적]

---

비동기 백그라운드 유지보수에 의존하는 기존 시스템과 달리, SimpleMem은 쓰기 단계에서 즉석으로 합성을 수행합니다. 관련 메모리 유닛은 현재 세션 범위 내에서 더 높은 수준의 추상 표현으로 합성되어, 반복적이거나 구조적으로 유사한 경험을 즉시 노이즈 제거 및 압축할 수 있습니다.

✨ 합성 예시:

- 프래그먼트 1: "사용자가 커피를 원함"
- 프래그먼트 2: "사용자가 오트 밀크를 선호함"
- 프래그먼트 3: "사용자가 뜨거운 것을 좋아함"
+ 통합 결과: "사용자가 오트 밀크 핫 커피를 선호함"

이러한 능동적 합성을 통해 메모리 토폴로지가 컴팩트하게 유지되고 중복 단편화가 방지됩니다.

---

고정 깊이 검색 대신, SimpleMem은 LLM의 추론 능력을 활용하여 포괄적인 검색 계획을 생성합니다. 쿼리가 주어지면 계획 모듈이 잠재적 검색 의도를 추론하여 검색 범위와 깊이를 동적으로 결정합니다:

$\{ q_{\text{sem}}, q_{\text{lex}}, q_{\text{sym}}, d \} \sim \mathcal{P}(q, H)$

시스템은 의미적, 어휘적, 기호적 인덱스에 걸쳐 병렬 다중 뷰 검색을 실행하고, ID 기반 중복 제거를 통해 결과를 병합합니다:

🔹 단순 쿼리 단일 메모리 유닛을 통한 직접 사실 조회 최소 검색 깊이 빠른 응답 시간

🔸 복잡한 쿼리 여러 이벤트에 걸친 집계 확장된 검색 깊이 포괄적 커버리지

📈 결과: 풀 컨텍스트 방법 대비 30배 적은 토큰으로 43.24%의 F1 점수 달성.

---

🔬 고성능 모델 (GPT-4.1-mini)

작업 유형	SimpleMem F1	Mem0 F1	개선
다중 홉	43.46%	30.14%	+43.8%
시간적	58.62%	48.91%	+19.9%
단일 홉	51.12%	41.3%	+23.8%

⚙️ 효율적 모델 (Qwen2.5-1.5B)

지표	SimpleMem	Mem0	비고
평균 F1	25.23%	23.77%	99배 작은 모델로도 경쟁력 있음

---

• 활성 환경에서 Python 3.10을 사용하고 있는지 확인하세요 (전역 설치만으로는 부족합니다).
• 메모리 구축 또는 검색을 실행하기 전에 OpenAI 호환 API 키를 설정해야 합니다. 그렇지 않으면 초기화가 실패할 수 있습니다.
• OpenAI 이외의 공급자(예: Qwen 또는 Azure OpenAI)를 사용하는 경우, config.py에서 모델 이름과 OPENAI_BASE_URL을 모두 확인하세요.
• 대규모 대화 데이터셋의 경우, 병렬 처리를 활성화하면 메모리 구축 시간을 크게 단축할 수 있습니다.

• 🐍 Python 3.10
• 🔑 OpenAI 호환 API (OpenAI, Qwen, Azure OpenAI 등)

# 📥 저장소 클론
git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem

# 📦 의존성 설치
pip install -r requirements.txt

# ⚙️ API 설정 구성
cp config.py.example config.py
# config.py를 편집하여 API 키와 설정을 입력

# config.py
OPENAI_API_KEY = "your-api-key"
OPENAI_BASE_URL = None  # 또는 Qwen/Azure의 커스텀 엔드포인트

LLM_MODEL = "gpt-4.1-mini"
EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B"  # 최첨단 검색 성능

---

SimpleMem은 LLM 기반 에이전트의 장기 기억 시스템으로 작동합니다. 워크플로우는 세 가지 간단한 단계로 구성됩니다:

1. 정보 저장 – 대화 또는 사실이 처리되어 구조화된 원자적 기억으로 변환됩니다.
2. 기억 인덱싱 – 저장된 기억이 의미 임베딩과 구조화 메타데이터를 사용하여 정리됩니다.
3. 관련 기억 검색 – 쿼리 시 SimpleMem이 키워드가 아닌 의미에 기반하여 가장 관련성 높은 저장 정보를 검색합니다.

이 설계를 통해 LLM 에이전트는 컨텍스트를 유지하고, 과거 정보를 효율적으로 회상하며, 중복 이력의 재처리를 방지할 수 있습니다.

from main import SimpleMemSystem

# 🚀 시스템 초기화
system = SimpleMemSystem(clear_db=True)

# 💬 대화 추가 (단계 1: 의미적 구조화 압축)
system.add_dialogue("Alice", "Bob, let's meet at Starbucks tomorrow at 2pm", "2025-11-15T14:30:00")
system.add_dialogue("Bob", "Sure, I'll bring the market analysis report", "2025-11-15T14:31:00")

# ✅ 원자 인코딩 완료
system.finalize()

# 🔎 의도 인식 검색 쿼리 (단계 3: 의도 인식 검색 계획)
answer = system.ask("When and where will Alice and Bob meet?")
print(answer)
# 출력: "16 November 2025 at 2:00 PM at Starbucks"

---

대규모 대화 처리 시 병렬 모드를 활성화하세요:

system = SimpleMemSystem(
    clear_db=True,
    enable_parallel_processing=True,  # ⚡ 병렬 메모리 구축
    max_parallel_workers=8,
    enable_parallel_retrieval=True,   # 🔍 병렬 쿼리 실행
    max_retrieval_workers=4
)

💡 팁: 병렬 처리로 배치 작업의 지연 시간을 크게 줄일 수 있습니다!

---

SimpleMem을 처음 설정하거나 실행할 때 문제가 발생하면 다음을 확인하세요:

• config.py에서 API 키가 올바르게 설정되었는지 확인
• OpenAI 호환 공급자(Qwen, Azure 등) 사용 시 OPENAI_BASE_URL 구성 확인
• 키 업데이트 후 Python 환경 재시작

• SimpleMem은 Python 3.10이 필요합니다
• 버전 확인:

  python --version
  

---

SimpleMem은 Model Context Protocol (MCP)을 통해 클라우드 호스팅 메모리 서비스로 제공되며, Claude Desktop, Cursor 등의 AI 어시스턴트와 원활하게 통합됩니다.

🌐 클라우드 서비스: mcp.simplemem.cloud

기능	설명
Streamable HTTP	MCP 2025-03-26 프로토콜, JSON-RPC 2.0
멀티 테넌트 격리	토큰 인증 기반 사용자별 데이터 테이블
하이브리드 검색	의미 검색 + 키워드 매칭 + 메타데이터 필터링
프로덕션 최적화	OpenRouter 통합으로 빠른 응답 시간

{
  "mcpServers": {
    "simplemem": {
      "url": "https://mcp.simplemem.cloud/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_TOKEN"
      }
    }
  }
}

📖 자세한 설정 안내와 자체 호스팅 가이드는 MCP 문서를 참조하세요

---

# 🎯 전체 LoCoMo 벤치마크
python test_locomo10.py

# 📉 부분 평가 (5개 샘플)
python test_locomo10.py --num-samples 5

# 💾 커스텀 출력 파일
python test_locomo10.py --result-file my_results.json

---

config.py의 정확한 설정을 사용하세요:

• 🚀 고성능: GPT-4.1-mini, Qwen3-Plus
• ⚙️ 효율적: Qwen2.5-1.5B, Qwen2.5-3B
• 🔍 임베딩: Qwen3-Embedding-0.6B (1024차원)

---

연구에서 SimpleMem을 사용하신 경우, 다음을 인용해 주세요:

@article{simplemem2025,
  title={SimpleMem: Efficient Lifelong Memory for LLM Agents},
  author={Liu, Jiaqi and Su, Yaofeng and Xia, Peng and Zhou, Yiyang and Han, Siwei and  Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu},
  journal={arXiv preprint arXiv:2601.02553},
  year={2025},
  url={https://github.com/aiming-lab/SimpleMem}
}

---

이 프로젝트는 MIT 라이선스 하에 배포됩니다. 자세한 내용은 LICENSE 파일을 참조하세요.

---

다음 프로젝트와 팀에 감사드립니다:

• 🔍 임베딩 모델: Qwen3-Embedding - 최첨단 검색 성능
• 🗄️ 벡터 데이터베이스: LanceDB - 고성능 컬럼형 스토리지
• 📊 벤치마크: LoCoMo - 장기 컨텍스트 메모리 평가 프레임워크