기업용 AI 에이전트 메모리 도구 비교: gbrain, Zep, Cognee, Hindsight, mem0
2026년 4월 Y Combinator CEO Garry Tan이 개인용 AI 에이전트 메모리 시스템인 gbrain을 오픈소스로 공개했다.
gbrain은 개인 사용을 전제로 설계됐다. 이 글에서는 gbrain의 구조를 기준으로 기업 환경에서 추가로 필요한 요건을 정리하고, 기업용으로 검토할 수 있는 도구 네 가지(Zep, Cognee, Hindsight, mem0)를 비교한다.
요약하면, 사내 지식과 에이전트 메모리를 한 제품으로 처리하려면 Zep, 두 제품을 조합한다면 Cognee와 Hindsight가 적합하다. 벤치마크 수치는 출처마다 차이가 커서 선택 기준으로 사용하기 어렵다.
사내 지식 검색과 에이전트 메모리의 차이
AI 메모리로 분류되는 도구는 크게 두 종류로 나뉜다.
사내 지식 검색은 위키, 규정, 계약서, 기술 문서, Slack 대화처럼 회사에 이미 있는 정보를 AI가 조회하도록 하는 것이다. 같은 질문에는 누가 물어도 같은 답이 나와야 하고, 문서별 열람 권한이 검색 결과에도 적용되어야 한다.
에이전트 메모리는 AI가 사용자와 작업하면서 생기는 정보를 저장하는 것이다. 사용자 선호, 이전 작업 결과, 실패한 도구 호출 같은 정보가 해당한다. 사용자별로 분리되어야 하고, 정보가 바뀌면 갱신되어야 한다.
실제 업무에서는 두 가지가 함께 필요하다. 예를 들어 고객지원 에이전트는 환불 규정은 사내 문서에서, 해당 고객의 과거 문의 이력은 에이전트 메모리에서 가져온다. 따라서 도구를 고를 때는 한 제품으로 두 가지를 처리할지, 제품을 나눠 사용할지 먼저 정해야 한다.
gbrain의 구조
gbrain은 지식을 git 저장소의 마크다운 페이지로 관리하고, 검색을 위해 Postgres에 색인을 둔다. 다만 에이전트가 직접 저장한 사실이나 수정 이력처럼 DB에만 남는 정보도 있다.
gbrain 개발자 Garry Tan 본인의 운영 규모는 약 15만 페이지, 2만 4천 명, 5천여 개 회사, 자동 작업 66개다(본인 발표 수치).
구성 요소는 다음과 같다.
- 저장: git 저장소의 마크다운 파일. 사람, 회사, 거래, 회의별로 한 페이지를 둔다.
- 검색: Postgres와 pgvector 기반으로 벡터 검색과 키워드 검색을 결합한다.
- 지식그래프: “works-at”, “invested-in” 같은 정해진 관계 유형을 LLM 호출 없이 패턴 매칭으로 추출한다.
- 야간 정리(dream cycle): 매일 링크 수정, 중복 정리, 요약 갱신, 재임베딩을 수행한다.
각 페이지는 상단에 현재 요약, 하단에 추가 전용 타임라인을 둔다. 요약은 새 정보가 들어오면 다시 작성되고, 타임라인은 수정하지 않는다.
사람이 문서를 직접 읽고 수정할 수 있다는 점, 그래프 구축에 LLM을 쓰지 않아 수집 비용이 낮다는 점이 장점이다. Slite의 분석에 따르면 비용은 주로 질의 시 발생하며 소규모 팀 기준 사용자당 월 4~15달러 수준이다.
gbrain을 기업에서 사용할 때의 한계
gbrain을 여러 명이 사용하는 기업 환경에 적용하면 다음 항목이 부족하다. 이 항목들을 이후 도구 비교의 기준으로 사용했다.
- 권한 관리: 최근 버전에서 권한 범위 지정 기능이 추가됐지만, 공식 문서에서 공유 DB 자격증명이나 로컬 파일 경로를 통한 접근은 격리되지 않으며 데이터 누출 방지를 보장하지 않는다고 명시한다.
- 데이터 연동: 로컬 파일, 메일, 캘린더 중심이다. CRM, 헬프데스크, SQL DB 등 팀 단위 시스템과는 기본 연동되지 않는다.
- 사용자 분리: 에이전트가 저장한 정보는 기본 설정에서 브레인 전체에 공개된다.
- 내용 검증: 야간 정리는 문서 구조를 정리할 뿐 내용의 정확성은 확인하지 않는다. 여러 사람이 참조하는 환경에서는 오류가 확산될 수 있다.
- 보안 인증: SOC 2, HIPAA 등 기업 조달에서 요구하는 인증이 없다.
- 운영: 개인이 직접 설치하고 유지하는 것을 전제로 하며, 관리형 서비스가 없다.
도구별 비교
연동은 두 가지로 나눠 봤다. 하나는 Slack, Jira 같은 사내 데이터 원천과의 연동이고, 다른 하나는 Claude Code, LangGraph 같은 에이전트 도구·프레임워크와의 연동이다. 기업에서는 두 가지가 모두 필요하다.
Zep
대화와 업무 데이터를 시간축 그래프로 통합
Zep은 대화 이력과 CRM, 고객지원, 결제 등 업무 데이터를 하나의 지식그래프로 관리한다. 각 사실에 유효 기간을 기록하고, 새 정보와 충돌하는 기존 사실은 삭제하지 않고 만료 처리한다. 이 때문에 특정 시점 기준으로 정보를 조회할 수 있다. 검색은 의미 검색과 시간축 그래프 탐색을 결합하며, Python과 TypeScript SDK를 제공한다.
기업용 기능으로 속성 기반 접근제어(ABAC), 보존 정책 및 법적 보존, 감사 로그를 제공한다. SOC 2 Type II 인증과 HIPAA BAA를 갖췄고, 관리형 클라우드, 고객 관리 암호화 키(BYOK), 고객 VPC 설치(BYOC) 중 선택할 수 있다(Zep Enterprise). 위키, 규정집처럼 문서량이 많은 사내 지식 처리는 Cognee만큼 문서 중심 설계가 아니므로 별도 검증이 필요하다.
Cognee
사내 도구 데이터를 그래프와 벡터로 함께 저장
Cognee는 사내 문서를 지식그래프로 구축하는 데 초점을 둔 오픈소스 도구다. Slack, Notion, Google Drive, Confluence, Jira, Salesforce 등의 커넥터를 제공하며, 벡터 검색과 그래프 탐색을 함께 사용해 여러 문서에 걸친 질문을 처리한다. 답변에 원문 출처가 표시된다. 셀프호스팅은 무료이고 폐쇄망 설치도 지원한다(Cognee FAQ).
공식 FAQ에는 GDPR 준수와 저장·전송 암호화가 명시되어 있으나 SOC 2 인증은 표기되어 있지 않다. 데이터 수집 시 LLM으로 엔티티를 추출하므로 벡터 저장 방식에 비해 수집 비용이 높다.
Hindsight
저장(Retain), 종합(Reflect), 조회(Recall)
Hindsight는 Vectorize가 개발한 에이전트 메모리 시스템이다. 메모리를 세계 사실, 에이전트 경험, 관찰(여러 기억을 종합한 결과), 멘탈 모델의 네 종류로 구분한다. 도구 호출 실패나 사용자의 수정 내용이 경험으로 저장되어 이후 작업에 반영된다.
Get jace’s stories in your inbox
Join Medium for free to get updates from this writer.
검색은 벡터, 키워드, 그래프, 시간 기반 검색을 병렬로 실행하고, 결과를 합친 뒤 재정렬 모델로 순위를 다시 매겨 지정한 토큰 한도 안에서 반환한다. Claude Code, Cursor, LangGraph, CrewAI, n8n 등 40개 이상의 에이전트 도구·프레임워크 연동을 공식 제공하고, LiteLLM 호환 LLM이면 제공자에 관계없이 사용할 수 있다 Vectorize 비교글.
MIT 라이선스 오픈소스 버전은 클라우드와 같은 코드이며 텔레메트리를 전송하지 않는다. 클라우드 서비스는 SOC 2 Type 2 인증을 받았다(Vectorize). 사내 문서 커넥터는 제공하지 않는다.
mem0
대화에서 사실을 추출해 사용자별로 저장
mem0는 add와 search API로 사용자별 메모리를 추가하는 방식이며, GitHub 스타 6만 개 이상으로 사용자 규모가 가장 크다. 검색은 의미 검색에 사용자·세션 ID 같은 메타데이터 필터를 더하는 방식이었으나, 2026년 4월 알고리즘 개편에서 여러 신호를 함께 쓰는 방식으로 바뀌었다. Python, Node, Go SDK를 제공한다. 온프레미스·폐쇄망 배포와 감사 로그는 엔터프라이즈 플랜에서 제공된다(mem0). 보안 인증은 SOC 2 Type I 단계로, Type II를 요구하는 조달 환경에서는 제약이 될 수 있다. 대화에서 사실을 추출해 저장하는 구조여서 맥락이나 행동 패턴 저장에는 한계가 있다는 평가가 있다.
요약
- 사내 지식과 에이전트 메모리를 한 제품으로 처리: Zep
- 사내 문서 검색: Cognee
- 작업 경험 기반 에이전트 메모리: Hindsight
- 빠른 도입이 필요한 사용자별 메모리: mem0
- 개인용 참고 사례: gbrain
구성 방법
사내 지식 층과 에이전트 메모리 층을 두고, 에이전트가 질문마다 두 층을 조회하는 구조가 일반적이다. 새로 생긴 정보는 에이전트 메모리 층에만 기록하고, 사내 문서는 원본 시스템에서만 수정한다.
에이전트는 사내 지식 층과 에이전트 메모리 층을 함께 조회한다
각 층에 사용할 제품에 따라 다음 세 가지 구성이 가능하다.
A. Zep 단독: 시스템 하나로 운영하며 인증, 접근제어, 감사 기능을 갖췄다. 보안 심사가 엄격한 환경에 적합하다. 문서량이 많은 경우 처리 품질을 PoC로 확인해야 한다.
B. Cognee + Hindsight: 사내 지식은 Cognee, 에이전트 메모리는 Hindsight로 처리한다. 둘 다 셀프호스팅이 가능해 데이터를 사내에 두어야 하는 경우에 적합하다. 시스템 두 개를 운영해야 하고 권한 설정도 양쪽에 맞춰야 한다.
C. 기존 사내 검색 + mem0 또는 Hindsight: 이미 권한이 적용된 사내 검색이나 RAG 시스템이 있다면 에이전트 메모리만 추가한다. 도입이 가장 빠르지만 사내 지식 검색 품질은 기존 시스템에 따라 결정된다.
SOC 2 Type II 등 인증이 필수이면 A, 데이터를 외부에 둘 수 없으면 B, 사용 중인 사내 검색 시스템이 있으면 C를 우선 검토한다.
도입 전 검증 항목
벤더가 공개한 벤치마크는 사용한 데이터셋, 모델, 설정이 서로 달라 직접 비교하기 어렵다. 예를 들어 mem0는 자사 페이지에서 LongMemEval 94.4를 제시하지만, 독립 평가에서는 이전 알고리즘 기준 49.0%로 인용된다. 따라서 공개 수치보다 자사 데이터로 직접 검증한 결과를 기준으로 판단하는 것이 좋다.
PoC에서 확인할 항목은 다음과 같다.
- 조달 시 필수 인증(SOC 2 Type II, HIPAA, ISO 27001 등)
- 데이터의 외부 클라우드 저장 가능 여부
- 원본 시스템의 권한이 검색 결과에 반영되는지 여부
- 한국어 문서와 대화에서의 추출·검색 품질 (공개 벤치마크는 대부분 영어 기준)
- 실제 문서 1~2천 건과 실제 질문 50~100개 기준의 정확도, 응답 시간, 비용
- 수집 비용과 질의 비용을 구분한 월 예상 비용
- 셀프호스팅 가능 여부와 데이터 내보내기 방식 (공급사 종속성)
- 사내에서 승인된 LLM·임베딩 모델을 사용할 수 있는지 여부
- 현재 사용하는 에이전트 도구·프레임워크와의 공식 연동 여부
정리
gbrain은 개인용 AI 메모리 시스템으로는 완성도가 높지만, 기업에서 사용하려면 권한 관리, 데이터 연동, 보안 인증, 운영 체계가 추가로 필요하다. 기업용 도구를 검토할 때는 필요한 것이 사내 지식 검색인지, 에이전트 메모리인지, 둘 다인지를 먼저 정하고, 위 기준으로 후보를 좁힌 뒤 자사 데이터로 검증하는 순서를 권한다.
