그동안 연구한 바이브 코딩의 결과물을 커스텀 제작한 MCP메모리에 저장을 시도해본 내용으로 자세한 내용은 소개된 Github에 자세하게 설명되었으며 여기서 구체적인 설명진행은 생략하며 과정을 간단하게 스크린샷으로 소개합니다. |
LLM(AI Agent 툴)을 이용하며 장기 메모리화하고 다시 LLM을 이용할때 기억된 메모리를 꺼내 활용할수 있는 MCP 메모리툴입니다. |
작년까지 AI가 작성하기 어렵다라고 작동가능하고 검증가능한 CQRS/클러스터 개발패턴을 Pekko 툴킷을 사용해 코틀린에서 시도해보았습니다. 여기서 작성된 내용을 메모리화해 학습해 다음 바이브코딩시에는 바이브코딩때 벌였던 사투의 시간을 감소화하기 위해 위에서 설명한 MCP메모리툴을 이용해 메모리화를 진행 |
Pekko를 이용해 코틀린으로 작성된 다양한 유용한 액터모델및 동시성처리를 다루는 내용을 메모리 화하려고 합니다. 아래 지침과 부가정보를 참고해 수행 # 지침 - en/kr 버전으로 있는것도 있으며, 구분없는 문서도 있습니다. - 두개의 문서가 존재할시 kr문서를 사용해 주세요 - 메모리 저장은 원문이 한글일때 그대로 저장하고, 영문만 있을땐 번역해 저장해주세요 - 메모리가 생성되면 고유 id가 나오며, 연관문서로 연결시킬수 있습니다. 모두 연결하지말고 연관성이 높다라고 판단되는것 메모리당 2개이내로만 연결해주세요 이 작업은 메모리를 모두 작성한후 최종 검토해 연결을 시켜주세요 - 그리고 마지막으로 이 지침으로 인해 작동되는 AI활동이 어떠한 가치를 가지는지? 평가해, 메모리를 작성해주세요 이 작업은 최종 마지막에 수행해주세요 ## 메모리화 해야하는 문서위치 - AgenticCoding/Projects 하위에는 이 프로젝트들을 설명하는 .md파일들이 있습니다. ## 메모리 MCP사용예 ``` 🧠 LLM용 예시 시스템 프롬프트 중요 당신은 **Model Context Protocol(MCP)**을 통해 memorizer 엔드포인트에서 장기 메모리 시스템에 접근할 수 있습니다. 다음 도구들을 사용할 수 있습니다: store: 새 메모리를 저장 매개변수: type content (markdown) source tags confidence relatedTo (선택, 메모리 ID) relationshipType (선택) search: 유사한 메모리 검색 매개변수: query limit minSimilarity filterTags get: ID로 메모리 가져오기 매개변수: id getMany: 여러 메모리를 ID 목록으로 가져오기 매개변수: ids (ID 리스트) ##delete: ID로 메모리 삭제 매개변수: id createRelationship: 두 메모리 간 관계 생성 매개변수: fromId toId type ``` |
│ ╭─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╮ │ │ │ Pekko 액터 모델 프로젝트 메모리화 계획 │ │ │ │ │ │ │ │ LearnMemoryByMCP.md 파일의 지침에 따라 11개의 Pekko 액터 모델 프로젝트를 메모리화하는 작업을 수행합니다. │ │ │ │ │ │ │ │ 작업 단계: │ │ │ │ │ │ │ │ 1. 프로젝트별 메모리 저장 (11개) │ │ │ │ - ACTOR_CONCURRENCY: 액터 모델 동시성 처리 패턴 │ │ │ │ - ACTOR_ROUTER: 작업 분배 라우팅 전략 │ │ │ │ - ACTOR_STREAM: 스트림 처리 라이브러리 비교 │ │ │ │ - ACTOR_THROTTLE: TPS 스로틀링 시스템 │ │ │ │ - CONNECTOR_KAFKA: Kafka-Actor 통합 이벤트 처리 │ │ │ │ - LLM-THROTTLE: LLM API 토큰 기반 속도 제한 │ │ │ │ - PEKKO_HTTP: 경량 리액티브 웹 서비스 │ │ │ │ - PERSIST_DURABLE: 사용자 상태 영속 관리 │ │ │ │ - PERSIST_DURABLE_CLUSTER: 분산 사용자 상태 관리 │ │ │ │ - PERSIST_EVENTSOURCE: 이벤트 소싱 지갑 시스템 │ │ │ │ - SSE-PUSH-SYSTEM: 실시간 이벤트 푸시 시스템 │ │ │ │ 2. 메모리 간 관계 설정 │ │ │ │ - 연관성 높은 프로젝트끼리 관계 연결 (메모리당 최대 2개) │ │ │ │ - 예: PERSIST_DURABLE ↔ PERSIST_DURABLE_CLUSTER (상태 관리) │ │ │ │ - 예: ACTOR_THROTTLE ↔ LLM-THROTTLE (속도 제한) │ │ │ │ 3. AI 활동 가치 평가 메모리 작성 │ │ │ │ - 이 메모리화 작업의 가치와 활용도 평가 │ │ │ │ - 향후 개발자들이 참조할 수 있는 지식 베이스 구축의 의미 │ │ │ │ │ │ │ │ 각 메모리는 다음 정보를 포함합니다: │ │ │ │ - type: "reference" 또는 "how-to" │ │ │ │ - title: 프로젝트명과 주요 기능 │ │ │ │ - content: 상세 설명 (한글) │ │ │ │ - tags: ["pekko", "actor-model", 관련 기술 태그] │ │ │ │ - source: "LLM" │ │ │ │ - confidence: 1.0 |
play ground : https://mcp.webnori.com/ui/graph
여기까지는 포괄적인 내용정리로 LLM이 비용이 더 들수 있지만, 코드를 분석해 유용한 듀토리얼 단위대로 만들어죠 와같이 더 상세한 지식을 메모리화 할수도 있습니다. Agent에 부여된 메모리의 지식의 양과 디테일수준이 어느정도가 되어야 Agent가 목적을 수행할지는? Agent의 성격/이용LLM에 따라 다양해질수 있습니다. - 코딩작성 가이드는 How TO 로 분류가 됩니다. 공개된 이 메모리의 지식은 CRUD가아닌 이벤트 소싱을 포함 CQRS및 분산처리등 고급기법을 LLM으로 메모리화를 자동으로 하고 바이브 코딩시 분류된 고급패턴을 참조해 바이브시 소모되는 토큰은 AI의 삽질의 시간이기때문에 그 시간을 최소화하고 토큰을 사용을 효율화하는 개인적 연구로 이어집니다.
|
더 다양한 컨텐츠는 AKKA 대용량처리 자바진영과 닷넷진영을 통해 함께 다루고 있습니다.
